ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE

Rozměr: px
Začít zobrazení ze stránky:

Download "ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE"

Transkript

1 TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA

2 Rozpoznávání akustického signálu řeči s podporou vizuální informace Autoreferát disertační práce Ing. Josef Chaloupka Studijní program: Studijní obor: Pracoviště: Školitel: 2612V Elektrotechnika a informatika 2612V045 Technická kybernetika Katedra elektrotechniky a zpracování signálů Fakulta mechatroniky a mezioborových inženýrských studií Technická Univerzita v Liberci Hálkova 6, , Liberec Prof. Ing. Jan Nouza, CSc. Oponenti: Prof. Ing. Josef Psutka, CSc. Doc. Ing. Petr Pollák, CSc. Doc. Ing. Jozef Juhár, PhD. (FAV ZČU Plzeň) (FEL ČVUT Praha) (FEI TU Košice) 1

3 S disertační prací je možné se seznámit na děkanátu Fakulty mechatroniky a mezioborových inženýrských studií Technické univerzity v Liberci, Čížkova ulice č. 3, budova B, tel.: Rozsah vlastní disertační práce a příloh: Počet stran: 120 Počet obrázků: 66 Počet tabulek: 20 Počet vzorců: 101 Počet příloh: 7 ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE Ing. Josef Chaloupka,

4 Obsah 1 Úvod Současný stav výzkumu problematiky Cíle disertační práce Audio-vizuální rozpoznávání řeči Parametrizace audio-vizuálního signálu řeči Rozpoznávání audio-vizuálního signálu řeči Detekování lidského obličeje v obraze 8 4 Nalezení oblasti rtů v detekované oblasti zájmu 9 5. Vizuální příznaky řeči 9 6 Audio-vizuální databáze 10 7 Experimentální práce testy Úloha rozpoznávání akustického signálu řeči Úloha rozpoznávání vizuálního signálu řeči Rozpoznávání vizuálního signálu s tvarovými příznaky Rozpoznávání vizuálního signálu s DCT příznaky Úloha rozpoznávání audio-vizuálního signálu řeči Jednostreamové audio-vizuální rozpoznávání řeči Dvoustreamové audio-vizuální rozpoznávání řeči Stanovení vah pro dvoustreamové audio-vizuální rozpoznávání řeči Výsledky dvoustreamového audio-vizuálního rozpoznávání řeči Celkové zhodnocení experimentů pro audio-vizuální rozpoznávání řeči Závěr Přínosy disertační práce Aplikační oblasti Náměty na další práci Literatura 25 Vlastní publikované práce Annotation 28 3

5 1 Úvod Audio-vizuální počítačové zpracování a rozpoznávání řeči patří v současné době k intenzivně se rozvíjející aplikační oblasti moderních hlasových technologií. Do nedávné doby stála tato oblast, vzhledem ke zpracování a rozpoznávání samotného akustického signálu řeči, v pozadí zájmu výzkumných týmů. V posledních deseti letech však začaly ve světě vznikat větší výzkumné týmy zabývající se primárně zpracováním a rozpoznáváním vizuální složky řeči. Tento trend byl mimo jiné způsoben nástupem spolehlivých, levných a dostatečně rychlých osobních počítačů. Zpracování a rozpoznávání vizuálního signálu řeči je totiž řádově několikanásobně časově náročnější, než je tomu u zpracování a rozpoznávání akustického signálu řeči. Pro příklad, kdyby akustický signál řeči byl digitalizován vzorkovací frekvencí 8 khz a velikost jednoho vzorku by byla 16 bitů, tak by akustický signál o délce 1s měl bitů, oproti tomu pro příslušný vizuální signál o snímkovací frekvenci 30 snímků za sekundu, kde jeden barevný video snímek by měl velikost 640 x 480 obrazových bodů a obrazovému bodu by příslušela RGB barevná hodnota (24 bitů), tak by jednosekundový vizuální signál řeči měl již bitů, což je 1728 x více vzhledem k akustickému signálu řeči. Oblast audio-vizuálního zpracování a rozpoznávání řeči lze rozdělit na dva směry výzkumu. V první podoblasti výzkumu jsou vytvářeny systémy audio-vizuální syntézy řeči. V těchto systémech je použit modul převodu psaného textu na akustický signál řeči TTS (Text To Speech), ke kterému je připojen modul, nejčastěji reprezentovaný 3D počítačovým modelem mluvící hlavy, u které je při promluvě animována tvář, tj. dochází u tohoto modelu k pohybu čelistí, jazyka, rtů, mimických svalů atd. Vlastní výzkum je v této oblasti zaměřen především na vytvoření kvalitního vizuálního 3D modelu, který by při promluvě co nejvíce odpovídal reálnému mluvčímu. V druhé podoblasti výzkumu jsou vytvářeny metody a algoritmy pro zpracování, parametrizaci a rozpoznávání vizuálního signálu řeči. Tato disertační práce je zaměřena především na tuto druhou podoblast audio-vizuálního zpracování a rozpoznávání řeči. Obě tyto podoblasti výzkumu mají celou řadu aplikačních možností, některé z nich jsou popsány v disertační práci v kapitole 9. Prvním předpokladem pro vytvoření systému pro audio-vizuální rozpoznávání řeči je vytvoření audio-vizuální databáze videonahrávek promluv od různých mluvčích. Tato audio-vizuální databáze musí být navržena pro konkrétní národní jazyk, pro který je následně vytvořen systém automatického rozpoznávání řeči. Vytvořené metody a algoritmy pro předzpracování a parametrizaci vizuálního signálu řeči jsou však využitelné pro jakýkoliv jazyk, obdobně jako je tomu u zpracování a rozpoznávání samostatného akustického signálu řeči. Pro záznam audio-vizuálního signálu řeči se v současné době (2005) nejčastěji používají digitální kamery zaznamenávající barevný obraz a příslušný akustický signál. Akustický signál řeči by bylo možné zaznamenávat i samostatně pomocí mikrofonu, poté by se však musela zajistit synchronizace mezi akustickým a vizuálním signálem, což není úplně triviální úloha, proto se spíše pro záznam akustického signálu využívá mikrofon integrovaný v kameře. 4

6 1.1 Současný stav výzkumu problematiky Výzkum v oblasti audio-vizuálního rozpoznávání řeči je již teoreticky řešen více než 20 let, přesto teprve přibližně v posledních deseti letech vznikaly ve světě větší výzkumné týmy, které se touto oblastí zabývají, a to jak teoreticky, tak i prakticky. Zřejmě nejznámějším týmem je laboratoř IBM - Audio Visual Speech Technologies vedená Dr. Chalapathy Neti. Tato laboratoř se zabývá především audio-vizuálním zpracováním a rozpoznáváním řeči pro anglický jazyk, i když algoritmy navržené touto laboratoří pro parametrizaci a rozpoznávání audio-vizuálního signálu řeči jsou za určitých podmínek použitelné i pro jiné národní jazyky. V poslední době jsou v oblasti audio-vizuálního rozpoznávání řeči dělány pokusy zaměřené na off-line rozpoznávání slov z velkého slovníku [1], rozpoznávání spojité řeči [2] a on-line rozpoznávání slov z malého slovníku [3]. Tento výzkum si však zatím mohou dovolit pouze laboratoře, které mají rozsáhlejší a kvalitní audio-vizuální databázi promluv. Kromě anglického jazyka je vývoj a výzkum v oblasti audio-vizuálního rozpoznávání řešen i pro francouzštinu [4], němčinu [5], japonštinu [6] a další jazyky technologicky vyspělých zemí. V České republice se ve větší míře kromě Laboratoře počítačového zpracování řeči na TUL zabývá problematikou audio-vizuálního zpracování a rozpoznáváním řeči pro český jazyk i tým oddělení umělé inteligence na Katedře kybernetiky Fakulty aplikovaných věd Západočeské univerzity v Plzni. Pro větší přehlednost této práce je další podrobný popis současného stavu v jednotlivých dílčích úlohách audio-vizuálního zpracování a rozpoznávání řeči uveden na začátku jednotlivých kapitol. 1.2 Cíle disertační práce Cíle této disertační práce byly následující: Navrhnout, vytvořit a anotovat dostatečně reprezentativní audio-vizuální databázi videonahrávek promluv pro český jazyk. V této databázi by se měly nacházet nahrávky slov i vět od různých mluvčích. Pro zpracování nahrávek z této databáze vytvořit vhodné nástroje (programy). Navrhnout a vytvořit systém pro parametrizaci vizuálního signálu řeči, který by byl složen z podsystémů pro detekci lidské tváře v obraze, pro nalezení rtů v detekované oblasti zájmu (tváře) a podsystému pro vlastní parametrizaci oblasti rtů. Podsystémy pro detekování obličeje, nalezení rtů a vizuální parametrizaci by měly být pokud možno výpočetně co nejrychlejší. Navrhnout vhodnou fúzi parametrizovaného akustického a vizuálního signálu řeči a provést experimentální otestování audio-vizuálního rozpoznávání izolovaných slov, při srovnání se samostatným rozpoznáváním akustického a vizuálního signálu řeči. Navrhnout, realizovat a experimentálně vyhodnotit test pro audio-vizuální rozpoznávání izolovaných slov v podmínkách proměnného hlučného pozadí. 5

7 2 Audio-vizuální rozpoznávání řeči Úloha rozpoznávání audio-vizuálního signálu řeči se skládá ze dvou částí. V prvním kroku je audio-vizuální signál předzpracován a parametrizován a v druhém kroku probíhá vlastní rozpoznávání. 2.1 Parametrizace audio-vizuálního signálu řeči Pořízený audio-vizuální signál je rozdělen na akustický a vizuální signál a každý z těchto signálu je následně parametrizován. Parametrizace akustického signálu je již v dnešní době poměrně dobře vyřešena. Jako akustické příznaky se nejčastěji používají příznaky získané z kepstra akustického signálu. Obr. 2.1: Princip parametrizace audio-vizuálního signálu Vizuální signál je složen z časového sledu obrazů (2D signálů), ve kterých jsou zaznamenáni obličeje mluvčích. Pro parametrizaci vizuálního signálu se nejčastěji používají tvarové (geometrické) vizuální příznaky získané z nalezeného tvaru rtů nebo vizuální příznaky (DCT, PCA,...) popisující informační obsah oblasti zájmu, ve které se nacházejí rty a jejich bezprostřední okolí. Pro vytvoření vizuálních příznaků je tak nutné nejdříve v obraze nalézt oblast zájmu se rty. Přímé nalezení rtů v obraze by bylo velmi složité, proto je v pořízeném obraze nejdříve detekován obličej mluvčího a z detekovaného obrazu obličeje je separována oblast zájmu se rty, z níž jsou následně extrahovány vizuální příznaky. V některých dříve publikovaných pracích byla snímací kamera zaměřena přímo na oblast rtů mluvčího, nemusely se tak provádět operace pro detekování obličeje a nalezení obrazu oblasti zájmu se rty. Toto zjednodušení je však použitelné pouze v laboratorních podmínkách, kde se mluvčí příliš nepohybuje, a dnes se již příliš nepoužívá. 6

8 2.2 Rozpoznávání audio-vizuálního signálu řeči Rozpoznávání parametrizovaného audio-vizuálního signálu řeči je dnes nejčastěji realizováno pomocí skrytých Markovových modelů (HMM Hidden Markov Models) nebo pomocí umělých neuronových sítí (ANN Artificial Neural Networks). Ve své práci jsem použil metodu HMM s využitím programu HTK [7]. Program HTK mimo jiné umožňuje vytvářet (natrénovat) HM modely a rozpoznávat parametrizované signály za využití těchto HM modelů. Při použití HTK jsou možné dva způsoby rozpoznávání parametrizovaných audio-vizuálních signálů pomocí HM modelů. HM modely jsou vytvořeny (natrénovány) jako jednostreamové nebo dvoustreamové. U jednostreamových HM modelů jsou sloučeny akustické a vizuální příznaky do jednoho příznakového vektoru, pro nějž je poté vytvořen HM model. 3 Detekování lidského obličeje v obraze Prvním dílčím úkolem, pro nalezení rtů v obraze, je nalézt v daném obraze lidský obličej a na základě takto nalezené oblasti obličeje poté vytvořit oblast zájmu (ROI- Region Of Interest), ve které se nacházejí rty. Řešení této úlohy je dosti složité. V obraze se teoreticky může vyskytovat několik osob a tím i obličejů vhodných k detekci. Lidé mohou být v obraze různě natočeni a různě vzdáleni od snímacího zařízení, tím se samozřejmě mění plocha zaznamenaného obličeje v obraze. Navíc se v průběhu snímání scény může měnit i osvětlení. Ve své práci se zabývám především rozpoznáváním obrazů, ve kterých se nachází pouze jeden mluvčí, je čelně natočen ke snímací kameře a osvětlení scény se příliš nemění. Pro tyto účely byla prostudována dostupná literatura a byly zváženy jednotlivé metody a algoritmy pro nalezení lidského obličeje. Nakonec byl navržen vlastní algoritmus založený na principu barevné a tvarové segmentace obrazu [8]. Pro tvarovou segmentaci byly použity metody matematické morfologie, viz obr (a) (b) (c) (d) (e) (f) (g) (h) Obr. 3.1: Originální RGB barevný obraz (a), obraz transformovaný do Cr-barevné složky (b), výsledný binární obraz po segmentaci prahováním (c), binární obraz po použití morfologické operace otevření (d), po uzavření (e), po upravené operaci otevření (f), výsledný obraz, ve kterém je již vybrána pouze oblast s obličejem (g) a původní barevný obraz s vyznačenou detekovanou oblastí (h). U každé morfologické operace byl použit jiný strukturní element, pro (f) byl tento element vybrán automaticky. 7

9 4 Nalezení oblasti rtů v detekované oblasti zájmu Nalézt rty v pořízeném obraze s mluvčím by byla velmi obtížná úloha. Pokud je totiž v obraze celá osoba popřípadě více osob, tak je velikost rtů oproti velikosti celého obrazu velmi malá a tím i hůře detekovatelná. Proto je v obraze nalezen nejdříve lidský obličej a z takto nalezené oblasti je vybrána určitá část oblast zájmu (ROI Region Of Interest), ve které se nacházejí rty. Pro audio-vizuální rozpoznávání řeči se pak používají vizuální příznaky, které byly získány z jednotlivých obrazových bodů z oblasti zájmu nebo geometrické příznaky, pro které je potřeba nalézt oblast rtů z oblasti zájmu. Existuje také několik metod, které využívají pro rozpoznávání kombinaci geometrických příznaků a příznaků získaných z obrazových bodů z ROI [9]. Tato kapitola pojednává o metodách pro nalezení oblasti rtů v pořízené oblasti zájmu ROI. Tak jako u detekování obličeje v obraze existuje v současné době (r. 2005) velké množství metod pro nalezení oblasti rtů. Nejčastěji se používají metody pro segmentaci obrazu prahováním [10, 11] a segmentaci obrazu za pomocí různých barevných statistických modelů [12]. Před vlastní segmentací obrazu se však velmi často vlastní barevný obraz (RGB) převádí do jiného barevného prostoru. Nalezení vhodného barevného prostoru je jedním z nejdůležitějších úkolů, pro následnou dostatečně spolehlivou segmentaci rtů z oblasti zájmu. Byly zkoumány výhody a nevýhody jednotlivých barevných prostorů a nakonec byl vybrán F - barevný prostor, který byl vytvořen pomocí Fisherovy lineární diskriminační analýzy [13]. Pro nalezení objektu rtů při segmentaci obrazu oblasti zájmu bylo potřeba přesněji nalézt práh. Na základě ověřeného předpokladu, že se obrazový histogram získaný z obrazu oblasti zájmu skládá ze dvou normálních rozdělení byl ve spolupráci s Doc. Ing. Vladimírem Kracíkem, CSc., z katedry aplikované matematiky (TUL) vytvořen algoritmus pro automatické nalezení prahu [14]. V tomto algoritmu byla použita gradientní metoda využívající metodu nejmenších čtverců, pomocí které byly odhadnuty parametry µ r, µ k, σ r, σ k a P r, kde µ r je střední hodnota a σ r je směrodatná odchylka z normálního rozdělení N(µ r, σ r 2 ) popisujícího rozdělení barevných hodnot obrazových bodů zobrazujících rty v obraze oblasti zájmu a µ k je střední hodnota a σ k je směrodatná odchylka z normálního rozdělení N(µ k, σ k 2 ) popisujícího rozdělení barevných hodnot obrazových bodů zobrazujících okolí (kůži) v obraze oblasti zájmu. P r je relativní počet obrazových bodů zobrazujících rty. Relativní počet obrazových bodů zobrazujících okolí (kůži) P k = 1 P r. Z těchto parametrů byl poté počítán práh T pro segmentaci dle následujících vztahů: T b + b 2 4. a. c = (4.1) 2. a 2 k 2 r a = σ σ (4.2) 2 2 ( σ µ σ ) b = 2. µ (4.3) r k k r ( 1 P ) σ = + r c µ rσ k µ kσ r 2. σ kσ r.log σ k Pr r (4.4) 8

10 Obr. 4.1: Původní obrazový histogram (černá křivka), Gussova křivka vypočtená z parametrů µ r, σ r a P r (červená křivka) a Gussova křivka vypočtená z parametrů µ k, σ k a P r (modrá křivka) a výsledný vypočtený práh (zobrazen zeleně) Po segmentaci obrazu oblasti zájmu je výsledný binární obraz filtrován pomocí morfologické operace otevření a následně byla použita filtrace drobných objektů (jizvy, akné, vyrážka...) pomocí metody barvení objektů, viz obr (a) (b) (c) (d) (e) (f) (g) Obr. 4.2: Originální RGB barevný obraz oblasti zájmu (a), obraz transformovaný do F- barevné složky (b), výsledný binární obraz po segmentaci prahováním (c), binární obraz po filtraci otevření strukturním elementem (d), obraz s obarvenými oblastmi (e), výsledný binární obraz po odstranění oblastí, které s jistou pravděpodobností netvoří rty (f) a původní barevný obraz s nalezenými okraji rtů (g) 5. Vizuální příznaky řeči Obdobně, jako je tomu pro extrakci akustických příznaků, tak i pro extrakci vizuálních příznaků řeči existuje v dnešní době větší množství metod. Nejčastěji se vizuální příznaky extrahují z obrazů, kde je mluvčí čelně natočen ke snímací kameře, nověji se zkouší i extrakce vizuálních příznaků z aproximovaného 3D prostoru [15, 16]. Aproximovaný 3D prostor je buď vytvořen ze snímků dvou kamer, které snímají mluvčího z dvou různých úhlů, nebo se použije jedna kamera a vhodně umístěné zrcadlo (popř. více zrcadel) a mluvčí je poté zaznamenán v jednom video snímku z dvou (i více) různých úhlů. Vlastní vizuální příznaky pro rozpoznávání řeči lze 9

11 rozdělit do dvou kategorií: Tvarové vizuální příznaky a vizuální příznaky popisující informační obsah obrazu. Jako tvarové příznaky byly v této práci vybrány horizontální h (5.1) a vertikální v (5.2) rozšíření rtů, dále oblast rtů o (5.3) a zaokrouhlení rtů r (5.4), které nabývá největších hodnot při vyslovování fonémů u, o, ř. 1 max M y= 0.. N 1 x= 0 ( x, y) h = f (5.1) 1 max N x= 0.. M 1 y= 0 ( x, y) v = f (5.2) N 1M 1 y= 0 x= 0 ( x, y) o = f (5.3) r = v / h (5.4) kde ( x, y) jsou souřadnice obrazového bodu v binárním obraze nalezené oblasti rtů, f ( x, y) je obrazová funkce binárního obrazu nabývající hodnot 0, 1. M x N jsou rozměry binárního obrazu v obrazových bodech a max je funkce maxima. Obr. 5.1: Binární obraz oblasti rtů s vyznačenými geometrickými příznaky V této práci byly použity i vizuální příznaky popisující informační obsah obrazu, jednalo se o DCT energetické příznaky [17]. Ke všem statickým vizuálním příznakům byly počítány příslušné dynamické příznaky. 6 Audio-vizuální databáze Pořízení kvalitní audio-vizuální databáze je velice důležité pro následné audio-vizuální zpracování a rozpoznávání řeči. Požadavky na vytvoření této databáze jsou obdobné, jako u vytvoření databáze pro akustické zpracování a rozpoznávání signálu řeči [18], tj. v databázi by se měly nacházet kvalitní nahrávky od velkého množství mluvčích a pokrývající co nejvíce jazyk, pro který je databáze vytvářena. V současné době (2005) existuje několik audio-vizuálních databází pro různé národní jazyky, především však pro angličtinu např. XM2VTS [19] nebo AVICAR [20]. V době 10

12 prvních pokusů (2001/02) s audio-vizuálním zpracováním a rozpoznáváním řeči v Laboratoři počítačového zpracování řeči na Technické Univerzitě v Liberci však neexistovala dostupná audio-vizuální databáze pro český jazyk. Proto jsem se rozhodl vytvořit vlastní českou audio-vizuální databázi. Obdobná audio-vizuální databáze vznikla zároveň i v oddělení umělé inteligence na Katedře kybernetiky Fakulty aplikovaných věd Západočeské univerzity v Plzni [21]. Postupem času byly vytvořené dvě audio-vizuální databáze později označené AVDB1cz a AVDB2cz. V první videodatabázi AVDB1cz bylo zaznamenáno 52 mluvčích dvěma kamerami (snímání ze předu a z profilu) při rozlišení 320 x 240 obrazových bodů a při snímkovací frekvenci 30 snímků za sekundu. 35 mluvčích bylo zaznamenáno v databázi AVDB2cz, kde byla použita pouze jedna kamera (čelní snímání) při rozlišení 640 x 480 obrazových bodů a při snímkovací frekvenci 30 snímků za sekundu. Každý mluvčí namluvil 50 slov a 50 foneticky bohatých vět. Každý český foném se v souboru vět nacházel alespoň 6x. 7 Experimentální práce testy V následujících statích jsou popsány testy a jejich výsledky při rozpoznávání izolovaných slov z audio-vizuální databáze AVDB2cz. Pro rozpoznávání byl použit klasifikátor založený na technice skrytých Markovových modelů, pro vlastní natrénování a rozpoznávání celoslovních modelů byl využit program HTK [7]. Celkově bylo v databázi AVDB2cz zaznamenáno 35 mluvčích, kde každý mluvčí namluvil 50 slov (příloha č.3). V trénovací databázi bylo 1500 slov od třiceti mluvčích a v testovací databázi se nacházelo 250 slov od zbylých pěti mluvčích. I při takto relativně nízkém objemu slov bylo automatické zpracování a parametrizace vizuální části této databáze dosti časově náročné. Vlastní zpracovaná databáze AVDB2cz, ve které se po předzpracování nacházely již pouze oblasti zájmu vhodné pro parametrizaci vizuálního signálu zaujímala více než 70 GB diskového prostoru. Zde uvedené experimenty jsou rozděleny do tří skupin. V první části jsou popsány testy rozpoznávání akustického signálu řeči, ve druhé jsou testy vizuálního signálu řeči a ve třetí části je popsáno vlastní rozpoznávání audio-vizuálního signálu řeči a jeho užití v hlučných podmínkách. Všechny experimentální testy jsou provedeny na stejné množině audio-vizuálních dat (1750 slov). 7.1 Úloha rozpoznávání akustického signálu řeči Pro rozpoznávání izolovaných slov byl použit klasifikátor založený na metodě skrytých Markovových modelů. Pro rozpoznávání slov byly předem vytvořeny (natrénovány) spojité celoslovní levo-pravé HM modely. Před vlastním vytvořením těchto modelů bylo potřeba zjistit jaký je minimální počet framů (o délce 33.3 ms) tvořících jednotlivá slova z testovací databáze. Minimální počet framů byl v našich nahrávkách 14. Z tohoto minimálního počtu framů byl stanoven maximální počet stavů HM modelů. V originálních videonahrávkách (v akustickém streamu) z testovací části databáze byla průměrná hodnota SNR 18 db. Pro účely následných testů rozpoznávání slov z akustického signálu byl vytvořen algoritmus, pomocí něhož bylo možné přidávat k akustickým nahrávkám aditivní bílý 11

13 šum. Tento algoritmus byl použit v testu, kde byla zkoumána závislost celkového rozpoznávacího skóre na šumu obsaženém v nahrávkách. V tomto testu byla zjišťována závislost velikosti výsledného rozpoznávacího skóre na počtu stavů použitých (natrénovaných) celoslovních HM modelů při měnícím se SNR v akustickém signálu. Specifikace testu: Klasifikátor založený na celoslovní levo-pravé HM modely Počet příznaků 39 Druh příznaků 13 x (MFCC + delta + akcelerační) Počet stavů HM modelů proměnný (1 14) Délka framu 33.3 ms Průměrná hodnota SNR [db] proměnná (18 (- 2)) Slovník 50 slov Trénovací databáze 30 mluvčích (1500 slov) Testovací databáze 5 mluvčích (250 slov) Výsledné rozpoznávací skóre [%] je vypočteno jako počet správně rozpoznaných slov ku počtu všech slov z testovací části databáze. SNR Počet stavů HM modelů [db] ,8 90,8 97,2 99,2 99,2 99,2 99,2 99,2 99,2 99,2 99,2 99,2 99,2 99, ,4 66,8 81,2 90,0 94,8 97,2 96,8 97,6 98,4 96,8 98,0 98,8 98,4 98, ,6 57,2 68,8 80,8 90,8 93,6 93,6 94,0 94,8 93,2 94,8 97,2 96,8 96, ,8 48,0 56,0 70,0 86,4 87,6 88,0 90,0 90,8 90,0 92,4 93,2 93,6 94, ,4 44,4 47,2 58,4 78,8 82,4 82,0 84,4 85,2 86,4 87,2 87,6 88,8 89, ,8 40,0 42,0 50,8 70,4 77,6 71,2 75,2 78,4 74,4 75,6 80,0 82,0 84, ,2 33,2 34,8 42,8 60,4 65,6 64,0 63,6 65,6 64,8 68,0 69,6 72,4 72, ,8 28,4 28,8 34,4 48,4 59,2 54,4 51,2 56,4 55,6 57,2 62,0 64,0 64, ,4 23,6 23,6 28,0 39,2 46,8 44,4 38,4 46,0 45,6 49,6 55,6 56,8 56,0 9 12,4 20,8 20,4 20,4 30,8 35,6 36,8 28,8 36,4 36,8 39,2 45,2 42,4 46,0 8 11,2 14,8 17,2 16,8 24,8 28,8 29,6 22,8 26,0 26,8 30,8 36,0 35,2 34,4 7 8,8 11,2 12,4 12,4 17,2 22,4 22,8 17,6 20,4 20,4 20,4 26,8 28,0 26,0 6 7,2 7,6 9,6 7,6 13,2 17,6 20,0 10,0 13,2 16,8 14,4 19,2 19,6 18,8 5 7,2 6,0 7,6 6,8 8,8 12,0 14,8 6,4 8,8 7,6 8,8 13,2 13,2 13,6 4 7,2 5,6 8,0 5,2 6,8 9,6 10,0 5,6 5,6 4,8 5,6 10,0 8,4 10,0 3 7,2 5,6 8,0 4,4 4,8 6,0 8,4 3,6 3,2 4,4 4,8 7,2 6,8 6,8 2 7,6 4,0 7,6 4,0 3,6 5,2 7,6 2,8 2,4 3,6 3,6 6,0 4,4 4,8 1 6,8 4,0 6,4 4,0 3,6 4,4 6,0 2,8 2,4 2,4 2,8 5,6 3,2 4,0 0 6,8 3,6 6,8 4,0 3,6 4,0 5,2 2,8 2,4 2,4 2,4 4,8 3,2 3,6-1 6,4 3,2 5,6 4,0 4,0 3,2 4,4 2,8 2,4 2,4 2,4 4,0 3,2 3,2-2 6,0 2,8 4,0 4,0 4,4 3,2 4,4 2,4 2,4 2,4 2,4 3,2 3,2 2,4 Tab. 7.1: Rozpoznávací skóre [%] v závislosti na počtu stavů použitých (natrénovaných) HM modelů při měnícím se SNR v akustickém signálu 12

14 Obr. 7.1: Graf hodnot z tab. 7.1 výsledné rozpoznávací skóre [%] v závislosti na počtu stavů HM modelů při měnícím se SNR v akustickém signálu Z tabulky 7.1 je patrné, že vyšších hodnot rozpoznávacího skóre v prostředí s vysokou hladinou šumu (přibližně do SNR 6dB) lze dosáhnout při použití vícestavových (10 a více) celoslovních HM modelů. 7.2 Úloha rozpoznávání vizuálního signálu řeči V této úloze bylo testováno použití tvarových (geometrických) vizuálních příznaků a vizuální příznaky popisující informační obsah obrazu oblasti zájmu získaných pomocí DCT při automatickém rozpoznávání vizuálního signálu řeči Rozpoznávání vizuálního signálu s tvarovými příznaky Jako tvarové příznaky byly v tomto testu použity vizuální příznaky horizontální (h) a vertikální (v) rozšíření rtů, dále oblast rtů (o) a zaokrouhlení rtů (r). Z těchto příznaků byly vypočteny dynamické a akcelerační příznaky, které jsou také při rozpoznávání akustického signálu řeči uplatněny. V tomto testu bylo zjišťováno rozpoznávací skóre na počtu stavů použitých celoslovních HM modelů, kde pro parametrizaci vizuálního signálu bylo použito sedm různých kombinací statických, dynamických a akceleračních příznaků (1. pouze statické, 2. pouze dynamické, 3. pouze akcelerační, 4. statické + dynamické, 5. dynamické + akcelerační, 6. statické + akcelerační, 7. statické + akcelerační + dynamické). Specifikace testu: Klasifikátor založený na celoslovní levo-pravé HM modely Počet příznaků proměnný 1-12 Druh příznaků (kombinace) h, v, o, r, delta, akcelerační Počet stavů HM modelů proměnný (1 14) Délka framu 33.3 ms Slovník 50 slov Trénovací databáze 30 mluvčích (1500 slov) Testovací databáze 5 mluvčích (250 slov) 13

15 Viz. Počet stavů HM modelů pří s 8,8 11,2 15,6 18,4 18,8 19,2 20,4 22,8 20,4 22,8 23,6 24,8 28,4 27,6 d 5,2 6,0 6,8 8,0 8,0 13,2 11,6 13,2 20,4 18,4 16,8 24,4 18,0 21,2 a 2,8 3,6 2,4 2,4 4,0 4,4 6,0 4,8 9,6 5,6 6,8 6,4 10,4 8,8 s+d 9,2 15,2 18,0 22,0 23,6 24,8 27,6 30,4 28,0 30,8 34,4 32,0 34,8 34,8 d+a 4,0 3,6 6,4 7,2 8,0 5,6 10,4 10,8 12,4 15,2 16,8 15,2 20,0 22,0 s+a 5,2 9,2 14,0 19,6 19,2 21,2 20,0 23,6 23,6 28,0 29,6 29,2 29,6 30,4 s+d+a 6,4 10,0 18,0 20,4 21,6 24,4 26,4 28,0 29,6 30,0 25,6 31,6 32,8 33,2 Tab. 7.2: Rozpoznávací skóre [%] v závislosti na počtu stavů použitých (natrénovaných) HM modelů při využití různých kombinací statických (s), dynamických (d) a akceleračních (a) vizuálních tvarových příznaků Nejlepších výsledků rozpoznávacího skóre (34,8 %) bylo v tomto testu dosaženo při využití kombinace statických a dynamických vizuálních tvarových příznaků, které byly použity pro natrénování celoslovních HM modelů s třinácti (čtrnácti) stavy a následnému rozpoznávání slov klasifikátorem založeným na celoslovních HM modelech. Použití akceleračních příznaků v kombinaci se statickými a dynamickými příznaky nevedlo u našich nahrávek k lepšímu rozpoznávacímu skóre, viz tab Obr. 7.2: Grafy hodnot z tab. 7.2 výsledné rozpoznávací skóre [%] v závislosti na počtu stavů HM modelů při využití různých kombinací statických (s), dynamických (d) a akceleračních (a) vizuálních tvarových příznaků 14

16 7.2.2 Rozpoznávání vizuálního signálu s DCT příznaky Pro vizuální příznaky popisující informační obsah obrazu oblasti zájmu bylo použito prvních N příznaků s největší hodnotou energie z obrazové matice oblasti zájmu transformované pomocí diskrétní kosinové transformace DCT. V prvním testu byl zjišťován vliv počtu stavů celoslovních HM modelů a počtu N energetických příznaků na výsledné rozpoznávací skóre. Počet vizuálních příznaků byl zvětšován o hodnotu 1 v rozsahu 1 až 30 příznaků a dále o hodnotu 10 v intervalu 30 až 60 příznaků. Výsledné tabulky z tohoto testu pro kombinace statických (s), dynamických (d) a akceleračních DCT-energetických vizuálních příznaků jsou dosti rozsáhlé, proto byly umístěny do přílohy č.6. V následující tabulce 7.3 jsou uvedeny nejlepší výsledky rozpoznávacího skóre pro jednotlivé kombinace (s, d, a) energetických DCT vizuálních příznaků. U některých kombinací (pouze dynamické příznaky (d), statické a dynamické příznaky (sd)) vizuálních příznaků byla nejvyšší hodnota rozpoznávacího skóre dosažena pro různé kombinace počtu stavů HM modelu a počtu použitých vizuálních příznaků, proto jsou všechny tyto kombinace v tabulce uvedeny. Kombinace DCT vizuálních příznaků Počet stavů HM modelů Počet příznaků Rozpoznávací skóre [%] s ,4 d ,6 35,6 a ,2 s + d s + 5d 6s + 6d 10s + 10d 44,4 44,4 44,4 d + a 14 16d + 16a 31,6 s + a 14 6s + 6d 40,4 s + d + a 14 5s + 5d +5a 45,2 Tab. 7.3: Vybrané nejvyšší hodnoty rozpoznávacího skóre v závislosti na počtu stavů použitých (natrénovaných) HM modelů a počtu použitých energetických DCT vizuálních příznaků při využitá různých kombinací statických (s), dynamických (d) a akceleračních (a) vizuálních příznaků Nejvyšší hodnota rozpoznávacího skóre (45,2 %) byla dosažena při využití kombinace pěti statických a jím příslušných dynamických a akceleračních vizuálních energetických DCT příznaků, které byly použity pro natrénování čtrnácti stavových celoslovních HM modelů a k následnému rozpoznávání slov klasifikátorem založeným na celoslovních HM modelech. Na obrázku 7.3 je uveden graf průběhu rozpoznávacího skóre v závislosti na počtu použitých energetických DCT příznaků a počtu stavů HM modelů. Počet vybraných nejvyšších hodnot energetických příznaků byl zvětšován o hodnotu 1 v rozsahu 1 až 30 příznaků a o hodnotu 10 v intervalu 30 až 60 příznaků. Tento graf byl vytvořen z hodnot rozpoznávacího skóre při kombinaci statických, dynamických a akceleračních příznaků. 15

17 Obr. 7.3: Graf hodnot výsledného rozpoznávací skóre (z tabulky č.7 v příloze č.6) v závislosti na počtu stavů HM modelů a počtu energetických DCT vizuálních příznaků při kombinaci statických (s), dynamických (d) a akceleračních (a) vizuálních příznaků Jak již bylo uvedeno výše, tak za vizuální příznaky bylo v tomto testu použito prvních N příznaků s největší hodnotou energie z obrazové matice oblasti zájmu o velikosti 128 x 128 obrazových bodů, která byla transformována pomocí diskrétní kosinové transformace. V rámci dalších testů byl zkoumán vliv různě vypočtených vizuálních příznaků z obrazové matice transformované diskrétní kosinovou transformací, kde vizuální příznaky byly vybrány z nejvyšších hodnot energie E, rozptylu R nebo normovaného rozptylu NR z DCT koeficientů. Pro každý z těchto zkoumaných vlivů byl vytvořen kompletní test rozpoznávání řeči v závislosti na počtu stavů použitých (natrénovaných) HM modelů a počtu použitých různě počítaných DCT vizuálních příznaků. Při porovnání těchto testů bylo dosaženo nejlepších výsledků pro energetické DCT vizuální příznaky. Pro názornost jsou v tab. 7.4 uvedeny hodnoty rozpoznávacího skóre pro různé varianty testů, kde byla použita kombinace pěti statických a příslušných dynamických a akceleračních příznaků, tj. konfigurace u které bylo dosaženo nejlepšího rozpoznávacího skóre, viz tab druh Počet stavů HM modelů pří E 5,2 11,2 13,2 19,2 22,8 26,4 30,8 32,4 32,0 34,8 36,8 38,8 37,6 45,2 R 5,2 10,8 12,4 18,8 20,4 26,0 28,8 31,2 32,0 34,0 35,6 36,0 36,8 44,0 NR 4,8 8,0 12,0 12,8 16,8 21,2 24,4 21,6 22,4 24,0 25,2 27,2 28,8 31,6 Tab. 7.4: výsledné rozpoznávací skóre [%] v závislosti na počtu stavů HM modelů pro vizuální příznaky vybrané z nejvyšších hodnot energie E, rozptylu R nebo normovaného rozptylu NR. 7.3 Úloha rozpoznávání audio-vizuálního signálu řeči V této úloze byly provedeny testy pro vlastní audio-vizuální rozpoznávání řeči. Při vlastní fúzi akustických a vizuálních příznaků byly natrénovány čtrnáctistavové jednostreamové (dvoustreamové) celoslovní HM modely, které poté sloužily k vlastnímu rozpoznávání pomocí klasifikátoru založeném na technice HMM. 16

18 7.3.1 Jednostreamové audio-vizuální rozpoznávání řeči V tomto testu byly pro audio-vizuální rozpoznávání řeči použity jednostreamové celoslovní HM modely, pro jejichž natrénování byly sloučeny akustické a vizuální příznaky audio-vizuálního signálu řeči (slova) z trénovací databáze do jednoho příznakového vektoru. Sloučené audio-vizuální příznakové vektory z testovací databáze jsou pak použity pro vlastní audio-vizuální rozpoznávání. Počet stavů HM modelů v tomto testu byl stanoven na 14, jelikož při použití čtrnáctistavových HM modelů bylo dosaženo nejvyššího rozpoznávacího skóre jak u rozpoznávání akustického signálu řeči, tak pro rozpoznávání vizuálního signálu řeči s geometrickými vizuálními příznaky i s DCT energetickými vizuálními příznaky. Jako geometrické vizuální příznaky byly vybrány příznaky h, v, o, r a příslušné delta příznaky a jako DCT energetické příznaky bylo vybráno 5 nejvyšších DCT energetických příznaků s příslušnými delta a akceleračními příznaky. Pro obě tyto kombinace vizuálních příznaků bylo dosaženo nejvyššího rozpoznávacího skóre. Specifikace testu: Klasifikátor založený na jednostreamové celoslovní levo-pravé HM modely Počet příznaků 47 aku. + geometrické (54 aku. + DCT) Druh příznaků (kombinace aku. a viz) 39 aku. 13 x (MFCC + delta + akcelerační) 8 viz h, v, o, r + delta (15 viz 5 x (ene. DCT + delta + akcelerační)) Počet stavů HM modelů 14 Délka framu 33.3 ms Slovník 50 slov Trénovací databáze 30 mluvčích (1500 slov) Testovací databáze 5 mluvčích (250 slov) Obr. 7.4: Výsledné rozpoznávací skóre pro audio-vizuální rozpoznávání řeči s využitím geometrických vizuálních příznaků (vlevo) a DCT energetických vizuálních příznaků (vpravo) ve srovnání s rozpoznáváním samostatného akustického a vizuálního signálu řeči 17

19 Obr. 7.5: Rozdíl výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči (av) a rozpoznáváním řeči z akustického signálu (a), kde pro audio-vizuální rozpoznávání byly použity geometrické vizuální příznaky (G) nebo DCT energetické vizuální příznaky (DCT) Rozpoznávání SNR audio viz audio-viz av-a viz audio-viz av-a [db] (G) (G) (G) (DCT) (DCT) (DCT) 18 99,2 34,8 99,2 0,0 45,2 98,8-0, ,8 34,8 99,2 0,4 45,2 98,8 0, ,4 34,8 97,6 1,2 45,2 98,0 1, ,4 34,8 95,2 0,8 45,2 96,8 2, ,2 34,8 93,6 4,4 45,2 93,6 4, ,8 34,8 90,8 6,0 45,2 92,0 7, ,8 34,8 83,6 10,8 45,2 88,4 15, ,8 34,8 72,4 7,6 45,2 83,2 18, ,0 34,8 68,0 12,0 45,2 75,6 19,6 9 46,0 34,8 58,4 12,4 45,2 67,2 21,2 8 34,4 34,8 47,6 13,2 45,2 58,8 24,4 7 26,0 34,8 40,0 14,0 45,2 49,2 23,2 6 18,8 34,8 29,6 10,8 45,2 40,4 21,6 5 13,6 34,8 23,2 9,6 45,2 30,4 16,8 4 10,0 34,8 16,0 6,0 45,2 22,4 12,4 3 6,8 34,8 11,6 4,8 45,2 18,0 11,2 2 4,8 34,8 7,6 2,8 45,2 14,0 9,2 1 4,0 34,8 4,8 0,8 45,2 11,2 7,2 0 3,6 34,8 3,6 0,0 45,2 8,4 4,8-1 3,2 34,8 3,6 0,4 45,2 6,8 3,6-2 2,4 34,8 2,8 0,4 45,2 5,2 2,8 Tab. 7.5: Rozpoznávací skóre [%] při měnícím se SNR v akustickém signálu, pro rozpoznávání akustického signálu řeči (audio), vizuálního signálu řeči (viz) nebo pro audio-vizuálním rozpoznávání (audio-viz), kde jako vizuální příznaky byly použity geometrické (G) nebo DCT energetické příznaky (DCT). Zároveň je zde uvedena hodnota rozdílu výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči a rozpoznáváním řeči z akustického signálu (av-a). 18

20 Z grafů na obr a z příslušné tabulky tab. 7.5 je patrné, že vizuální složka řeči při audio-vizuálním rozpoznávání zlepšuje rozpoznávací skóre oproti samostatnému rozpoznávání akustického signálu řeči. Nejvyššího zlepšení bylo dosaženo u SNR v akustickém signálu v rozmezí 6-9 db. Při použití DCT energetických příznaků bylo u jednostreamového audio-vizuálního rozpoznávání dosaženo v průměru lepších výsledků oproti použití geometrických příznaků Dvoustreamové audio-vizuální rozpoznávání řeči Oproti jednostreamovému audio-vizuálnímu rozpoznávání řeči lze při využití dvoustreamových HM modelů nastavit pro každý stream váhu a tím zvýraznit nebo potlačit informaci nacházející se v akustickém nebo vizuálním signálu řeči. Před vlastním dvoustreamovým a-v rozpoznáváním je potřeba stanovit hodnoty jednotlivých vah výstupní funkce HM modelů Stanovení vah pro dvoustreamové audio-vizuální rozpoznávání řeči Stanovení vah se pro dvoustreamové audio-vizuální rozpoznávání řeči nejčastěji určuje experimentálně. Vzhledem ke stanovené úloze audio-vizuálního rozpoznávání řeči v hlučných podmínkách jsem vytvořil experimentální test, u kterého bylo zjišťováno výsledné rozpoznávací skóre vzhledem k nastavení vah u akustického a vizuálního streamu, kde v akustické části jsou audionahrávky zatížené šumem o průměrném SNR 5 db. Pro možnosti srovnání byl proveden stejný test i při použití originálních akustických nahrávek s průměrným SNR 18 db. (g 1 ) (g 2 ) (g 3 ) (g 4 ) Obr. 7.6: Grafy hodnot výsledného rozpoznávacího skóre v závislosti na použitých vahách akustického a vizuálního streamu při využití geometrických příznaků (g 1 : 5dB SNR, g 2 : 18dB SNR) nebo DCT energetických příznaků (g 3 : 5dB SNR, g 4 : 18dB SNR) pro audio-vizuální rozpoznávání. 19

21 Výsledné hodnoty vah pro akustický a vizuální stream byly stanoveny na základě dvou kritérií, v prvním případě byly vybrány váhy na základě nejvyšší dosažené hodnoty rozpoznávacího skóre, kde byly akustické nahrávky s přidaným šumem o SNR 5dB (grafy g 1, g 3 ). V druhém případě (dle druhého kritéria) byly hodnoty vah vybrány na základě nejvyššího součtu hodnot rozpoznávacího skóre z testů při SNR 5dB a 18dB. vizuální SNR 5 db SNR 5dB vs. 18 db příznaky roz. skóre [%] γ 1 (a) γ 2 (v) roz. skóre [%] γ 1 (a) γ 2 (v) Geometrické 64 0,1 1,8 62,4 (5), 95,2 (18) 0,3 2,8 DCT ene. 64 0,1 1,3 57,6 (5), 97,6 (18) 0,6 2,3 Tab. 7.6: Vybrané hodnoty akustické (γ 1 ) a vizuální (γ 2 ) váhy pro dvoustreamové audiovizuální rozpoznávání řeči, dle prvního a druhého kritéria Výsledky dvoustreamového audio-vizuálního rozpoznávání řeči Po stanovení hodnot akustické a vizuální váhy lze použít klasifikátor pro dvoustreamové audio-vizuální rozpoznávání založený na HMM. Počet stavů HM modelů byl v tomto testu stejný jako u jednostreamového AV-ASR, tj. 14. Stejné byly i použité geometrické a DCT vizuální příznaky. Specifikace testu: Klasifikátor založený na dvoustreamové celoslovní levo-pravé HM modely Počet příznaků 47 aku. + geometrické (54 aku. + DCT) Druh příznaků (kombinace aku. a viz) 39 aku. 13 x (MFCC + delta + akcelerační) 8 viz h, v, o, r + delta (15 viz 5 x (ene. DCT + delta + akcelerační)) Počet stavů HM modelů 14 Délka framu 33.3 ms Slovník 50 slov Trénovací databáze 30 mluvčích (1500 slov) Testovací databáze 5 mluvčích (250 slov) Obr. 7.7: Výsledné rozpoznávací skóre pro audio-vizuální rozpoznávání řeči s využitím geometrických příznaků (vlevo) a DCT energetických příznaků (vpravo) ve srovnání s rozpoznáváním samostatného akustického a vizuálního signálu řeči, kde pro dvoustreamové audio-vizuální rozpoznávání byly využity vybrané váhy z tab. 8.7 a pro porovnání byly navíc použity pro oba streamy stejné váhy 1.0,

22 Rozpoznávání SNR audio viz 1.0 audio av-a 0.1 audio av-a 0.3 audio av-a [db] 1.0 viz 1.8 viz 2.8 viz 18 99,2 34,8 99,2 0,0 88,8-10,4 95,2-4, ,8 34,8 99,2 0,4 86,8-12,0 94,4-4, ,4 34,8 97,6 1,2 85,2-11,2 93,6-2, ,4 34,8 95,2 0,8 84,4-10,0 93,2-1, ,2 34,8 93,6 4,4 83,6-5,6 91,6 2, ,8 34,8 90,8 6,0 82,0-2,8 90,0 5, ,8 34,8 83,6 10,8 80,8 8,0 87,6 14, ,8 34,8 72,4 7,6 79,2 14,4 84,8 20, ,0 34,8 68,0 12,0 76,8 20,8 82,0 26,0 9 46,0 34,8 58,4 12,4 74,8 28,8 78,0 32,0 8 34,4 34,8 47,6 13,2 71,6 37,2 76,0 41,6 7 26,0 34,8 40,0 14,0 69,6 43,6 72,4 46,4 6 18,8 34,8 29,6 10,8 67,6 48,8 65,2 46,4 5 13,6 34,8 23,2 9,6 64,0 50,4 62,4 48,8 4 10,0 34,8 16,0 6,0 59,2 49,2 55,6 45,6 3 6,8 34,8 11,6 4,8 54,8 48,0 47,6 40,8 2 4,8 34,8 7,6 2,8 50,8 46,0 43,2 38,4 1 4,0 34,8 4,8 0,8 48,0 44,0 38,4 34,4 0 3,6 34,8 3,6 0,0 44,8 41,2 34,4 30,8-1 3,2 34,8 3,6 0,4 42,0 38,8 30,4 27,2-2 2,4 34,8 2,8 0,4 40,0 37,6 26,8 24,4 Tab. 7.7: Rozpoznávací skóre [%] při měnícím se SNR v akustickém signálu, pro rozpoznávání akustického signálu řeči (audio), vizuálního signálu řeči (viz) nebo pro audio-vizuálním rozpoznávání (audio-viz), kde jako vizuální příznaky byly použity geometrické příznaky. Zároveň jsou zde uvedeny hodnoty rozdílu výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči a rozpoznáváním řeči z akustického signálu (av-a) pro různě zvolené váhy akustického a vizuálního streamu. Obr. 7.8: Rozdíl výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči (av) a rozpoznáváním řeči z akustického signálu (a), kde pro audio-vizuální rozpoznávání byly použity geometrické vizuální příznaky a různě zvolené váhy akustického a vizuálního streamu. 21

23 Rozpoznávání SNR audio viz 1.0 audio av-a 0.1 audio av-a 0.3 audio av-a [db] 1.0 viz 1.8 viz 2.8 viz 18 99,2 45,2 98,8-0,4 83,6-15,6 97,6-1, ,8 45,2 98,8 0,0 81,6-17,2 96,4-2, ,4 45,2 98,0 1,6 80,4-16,0 96,0-0, ,4 45,2 96,8 2,4 80,0-14,4 94,8 0, ,2 45,2 93,6 4,4 77,6-11,6 93,6 4, ,8 45,2 92,0 7,2 76,4-8,4 92,4 7, ,8 45,2 88,4 15,6 75,6 2,8 89,6 16, ,8 45,2 83,2 18,4 72,8 8,0 88,0 23, ,0 45,2 75,6 19,6 70,0 14,0 85,2 29,2 9 46,0 45,2 67,2 21,2 70,0 24,0 77,6 31,6 8 34,4 45,2 58,8 24,4 68,4 34,0 73,6 39,2 7 26,0 45,2 49,2 23,2 67,2 41,2 68,8 42,8 6 18,8 45,2 40,4 21,6 64,0 45,2 63,2 44,4 5 13,6 45,2 30,4 16,8 64,0 50,4 57,6 44,0 4 10,0 45,2 22,4 12,4 60,0 50,0 48,4 38,4 3 6,8 45,2 18,0 11,2 55,2 48,4 43,6 36,8 2 4,8 45,2 14,0 9,2 50,8 46,0 38,0 33,2 1 4,0 45,2 11,2 7,2 47,2 43,2 33,2 29,2 0 3,6 45,2 8,4 4,8 44,8 41,2 25,6 22,0-1 3,2 45,2 6,8 3,6 41,2 38,0 22,0 18,8-2 2,4 45,2 5,2 2,8 37,2 34,8 19,2 16,8 Tab. 7.8: Rozpoznávací skóre [%] při měnícím se SNR v akustickém signálu, pro rozpoznávání akustického signálu řeči (audio), vizuálního signálu řeči (viz) nebo pro audio-vizuálním rozpoznávání (audio-viz), kde jako vizuální příznaky byly použity DCT energetické příznaky. Zároveň jsou zde uvedeny hodnoty rozdílu výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči a rozpoznáváním řeči z akustického signálu (av-a) pro různě zvolené váhy akustického a vizuálního streamu. Obr. 7.9: Rozdíl výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči (av) a rozpoznáváním řeči z akustického signálu (a), kde pro audio-vizuální rozpoznávání byly použity DCT energetické vizuální příznaky a různě zvolené váhy akustického a vizuálního streamu. 22

24 Obr. 7.10: Porovnání rozdílu výsledného rozpoznávacího skóre mezi audio-vizuálním rozpoznáváním řeči (av) a rozpoznáváním řeči z akustického signálu (a), kde pro audio-vizuální rozpoznávání byly použity DCT energetické (DCT) nebo geometrické (G) vizuální příznaky a různě zvolené váhy akustického a vizuálního streamu Celkové zhodnocení experimentů pro audio-vizuální rozpoznávání řeči Při dvoustreamovém audio-vizuálním rozpoznávání izolovaných slov (s hodnotami vah streamu dle tab. 7.6) bylo u našich nahrávek z AV databáze AVDB2cz v průměru dosaženo lepších výsledků zvýšení rozpoznávacího skóre než u jednostreamového audio-vizuálního rozpoznávání ve srovnání se samostatným rozpoznáváním akustického signálu. Přičemž hodnoty rozpoznávacího skóre u jednostreamového rozpoznávání jsou dle původního předpokladu shodné jako u dvoustreamového rozpoznávání se shodnými hodnotami vah 1.0 pro akustický i vizuální stream. U vah stanovených dle prvního a druhého kritéria (tab. 7.6) bylo v průměru dosaženo lepších výsledných hodnot rozpoznávacího skóre pro geometrické vizuální příznaky oproti DCT energetickým vizuálním příznakům. U jednostreamového audio-vizuálního rozpoznávání bylo naopak dosaženo v průměru lepších výsledků při použití DCT energetických vizuálních příznaků oproti použití geometrických vizuálních příznaků. 8 Závěr V průběhu posledních třiceti let se z oblasti počítačového zpracování a rozpoznávání řeči vydělila celá řada aplikačních oblastí, jednou z těchto oblastí je i audio-vizuální zpracování a rozpoznávání audio-vizuálního signálu řeči, kterou se zabývá tato práce. Jedním z hlavních důvodů vzniku této práce tak bylo rozšířit oblast počítačového zpracování a rozpoznávání řeči, jejíž vývoj a výzkum probíhá v Laboratoři počítačového zpracování řeči na TU v Liberci pod vedením Prof. Ing. Jana Nouzy, CSc. již více než 10 let. Dalším důvodem bylo, že audio-vizuální rozpoznávání řeči pro český jazyk bylo v době vzniku této práce (2001) v naprostých začátcích a neexistovala tak ani žádná dostupná kvalitní audio-vizuální databáze pro český jazyk. Vývoj a výzkum v oblasti audio-vizuálního rozpoznávání řeči ve světě je veden již více než 20 let a do dnešní doby existuje celá řada publikací věnovaná tomuto tématu. Dostupnou literaturu jsem se snažil pokud možno co nejvíce prostudovat a popsané algoritmy pro zpracování a rozpoznávání vizuálního signálu řeči aplikovat, přesto tyto algoritmy nejsou stoprocentně přenositelné a použitelné, jelikož zpracování obrazového 23

25 signálu je dosti výpočetně náročné a při experimentech se volí různá zjednodušení a dosti také záleží na použité audio-vizuální databázi. Proto většina zde popsaných algoritmů vznikla mou vlastní invencí nebo se jedná o modifikace algoritmů jiných autorů, kteří jsou citování v odkazech této práce. Celá problematika, především zpracování a rozpoznávání vizuálního signálu řeči, musela být v této práci komplexně řešena a zasahuje do celé řady oborů. Všechny stanovené cíle této práce byly i přes velkou časovou náročnost postupně vyřešeny, tj. byly vytvořeny dvě audio-vizuální databáze promluv pro český jazyk. Pro zpracování nahrávek z této databáze byl vytvořen komplexní program. Dále byl vytvořen program pro parametrizaci vizuálního signálu řeči skládající se z detektoru lidské tváře v obraze, systému pro nalezení rtů a vlastního systému pro parametrizaci vizuálního signálu, pomocí kterého jsou vytvářeny tvarové vizuální příznaky a vizuální DCT příznaky popisující informační obsah obrazu. Dále byly řešeny otázky fúze akustických a vizuálních příznaků a byly vytvořeny experimentální testy pro audiovizuálního rozpoznávání izolovaných slov, při srovnání se samostatným rozpoznáváním akustického a vizuálního signálu řeči. Závěrem byly navrženy testy pro audio-vizuální rozpoznávání izolovaných slov v hlučných podmínkách, při kterých se potvrdilo, že vizuální složka řeči může zlepšit rozpoznávací skóre v hlučných podmínkách. V následující tabulce je uveden výběr výsledků z těchto testů na experimentální množině 1750 slov z audio-vizuální databáze AVDB2cz. Odstup signálu od šumu SNR [db] Rozpoznávání akustického signálu řeči [%] Rozpoznávání vízuálního signálu řeči [%] DCT) 45.2( G) 34.8) Jednostreamové audio-vizuální rozpoznávání [%] DCT) 30.4( G) 23.2) Dvoustreamové audio-vizuální rozpoznávání [%] DCT) 64.0( G) 64.0) Tab. 8.1: Vybrané hodnoty rozpoznávacího skóre [%] z experimentálních testů pro rozpoznávání akustického signálu, vizuálního signálu řeči a pro jednostreamové a dvoustreamové audio-vizuální rozpoznávání řeči, kde jako vizuální příznaky byly použity geometrické (G) nebo DCT energetické vizuální příznaky. Z výše uvedené tabulky je patrné, že vizuální složka řeči může výrazně zlepšit rozpoznávací skóre v hlučných podmínkách (zde např. pro 5 db SNR). 8.1 Přínosy disertační práce Nejdůležitější výsledky této disertační práce lze shrnout do následujících bodů: Vytvoření dvou audio-vizuálních databází AVDB1cz, AVDB2cz videonahrávek izolovaných slov i celých vět pro český jazyk. Vytvoření programu pro zpracování nahrávek z této databáze. Navržení a vytvoření systému pro detekování lidského obličeje, založeného na barevné a tvarové segmentaci obrazu a systému pro nalezení rtů v detekované oblasti zájmu. Oba tyto systémy byly navrženy a naprogramovány tak, aby byly co nejspolehlivější a zároveň výpočetně časově rychlé. Jednotlivé části těchto systémů 24

26 byly publikovány na mezinárodních konferencích, například na mezinárodní konferenci ICSLP 2004 pořádané v Jižní Koreji [14]. Vytvoření komplexního systému pro parametrizaci vizuálního signálu, pomocí kterého jsou vytvářeny tvarové vizuální příznaky a vizuální DCT příznaky popisující informační obsah obrazu. Návrh a experimentální ověření možností fúze a rozpoznávání audio-vizuálního signálu řeči v hlučných podmínkách. 8.2 Aplikační oblasti V dnešní době existuje celá řada aplikačních oblastí využití audio-vizuálního zpracování a rozpoznávání řeči, z nichž jmenujme například: vlastní audio-vizuální rozpoznávání řeči, audio-vizuální rozpoznávání řeči v hlučných podmínkách, audio-vizuální detekce mluvčího v prostoru, audio-vizuální identifikace mluvčích, audio-vizuální verifikace mluvčích, audio-vizuální segmentace řeči, audio-vizuální syntéza řeči. Další z možných aplikačních oblastí při využití audio-vizuálního zpracování a rozpoznávání řeči je vytváření pomůcek pro výuku řeči nebo pomůcek pro sluchově nebo pohybově postižené lidi. 8.3 Náměty na další práci Další výzkumná práce nyní směřuje k vývoji a vytvoření audio-vizuálního rozpoznávače řeči založeného na modelech menších stavebních jednotek řeči (fonémy a vizémy). V blízké budoucnosti bych také rád vylepšil svůj počítačový model česky mluvící hlavy, který vznikl v počátcích mé disertační práce (2002) a u kterého by bylo možné nově použít poznatky získané při tvorbě systému pro audio-vizuální rozpoznávání řeči. 9 Literatura [1] POTAMIANOS, G., NETI, C., IYENGAR, G., HELMUTH, E.: Largevocabulary audio-visual speech recognition by machines and humans, In Proc. Eurospeech, Aalborg, [2] POTAMIANOS, G., NETI, C., LUETTIN, J., MATTHEWS, I.: Audio-Visual Automatic Speech Recognition: An Overview. In: Issues in Visual and Audio- Visual Speech Processing, G. Bailly, E. Vatikiotis-Bateson, and P. Perrier (Eds.), MIT Press (In Press), 2004 [3] CONNELL, J., H., HAAS, N., MARCHERET, E., NETI, C., POTAMIANOS, G., VELIPASALAR, S.: A real-time prototype for small-vocabulary audiovisual ASR, In Proc. Int. Conf. Multimedia Expo., vol. II, pp , Baltimore, July 2003 [4] OBRECHT, R., A., JACOB, B., PARLANGEAU, N.: Audio-visual speech recognition and segmentation master slave HMM. In Proc. of Europ. Tut. Works: Audio-Visual Speech Processing, Rhodes, Greece, pp , 1997 [5] KRONE, G., TALLE, B., WICHERT, A., PALM, G.: Neural architectures for sensorfusion in speech recognition. In Proc. of Europ. Tut. Works: Audio-Visual Speech Processing, Rhodes, Greece, pp ,

A2M31RAT- Řečové aplikace v telekomunikacích

A2M31RAT- Řečové aplikace v telekomunikacích A2M31RAT- Řečové aplikace v telekomunikacích Záznam a zpracování hlasových signálů pro potřeby výzkumu a aplikací hlasových technologií. Textové korpusy Doc. Ing. Petr Pollák, CSc. 17.května2011-15:44

Více

LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015

LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 LBP, HoG Ing. Marek Hrúz Ph.D. Plzeň Katedra kybernetiky 29. října 2015 1 LBP 1 LBP Tato metoda, publikovaná roku 1996, byla vyvinuta za účelem sestrojení jednoduchého a výpočetně rychlého nástroje pro

Více

KONTROLA PŘESNOSTI VÝROBY S VYUŽITÍM MATLABU

KONTROLA PŘESNOSTI VÝROBY S VYUŽITÍM MATLABU KONTROLA PŘESNOSTI VÝROBY S VYUŽITÍM MATLABU Ing. Vladislav Matějka, Ing. Jiří Tichý, Ing. Radovan Hájovský Katedra měřicí a řídicí techniky, VŠB-TU Ostrava Abstrakt: Příspěvek se zabývá možností využít

Více

Možnosti integrace uměleckých postupů do vzdělávání na technicky zaměřených vysokých školách. Mgr. et MgA. Anna Ronovská

Možnosti integrace uměleckých postupů do vzdělávání na technicky zaměřených vysokých školách. Mgr. et MgA. Anna Ronovská Možnosti integrace uměleckých postupů do vzdělávání na technicky zaměřených vysokých školách Mgr. et MgA. Anna Ronovská Záměr Výzkum možností umělecké edukace v prostředí technicky zaměřených vysokých

Více

5 1. Úvod Automatického rozpoznávání řeči (Automatic Speech Recognition, ASR) je obor, ve kterém aktivní výzkum probíhá již od 60. let minulého století. V dnešní době nachází široké uplatnění, např. v

Více

Neuropočítače. podnět. vnímání (senzory)

Neuropočítače. podnět. vnímání (senzory) Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního

Více

Josef Rajnoha. České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz

Josef Rajnoha. České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz Modelování neřečových událostí v robustním rozpoznávání řeči s malým slovníkem Josef Rajnoha České vysoké učení technické v Praze, Fakulta elektrotechnická rajnoj1@fel.cvut.cz Abstrakt: V tomto článku

Více

Makroskopická obrazová analýza pomocí digitální kamery

Makroskopická obrazová analýza pomocí digitální kamery Návod pro laboratorní úlohu z měřicí techniky Práce O3 Makroskopická obrazová analýza pomocí digitální kamery 0 1 Úvod: Cílem této laboratorní úlohy je vyzkoušení základních postupů snímání makroskopických

Více

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter

Úvod do zpracování obrazů. Petr Petyovský Miloslav Richter Úvod do zpracování obrazů Petr Petyovský Miloslav Richter 1 OBSAH Motivace, prvky a základní problémy počítačového vidění, pojem scéna Terminologie, obraz, zpracování a analýza obrazu, počítačové vidění,

Více

IDENTIFIKACE ŘEČOVÉ AKTIVITY V RUŠENÉM ŘEČOVÉM SIGNÁLU

IDENTIFIKACE ŘEČOVÉ AKTIVITY V RUŠENÉM ŘEČOVÉM SIGNÁLU VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV TELEKOMUNIKACÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT OF TELECOMMUNICATIONS

Více

Mikroskopická obrazová analýza

Mikroskopická obrazová analýza Návod pro laboratorní úlohu z měřicí techniky Práce O1 Mikroskopická obrazová analýza 0 1 Úvod: Tato laboratorní úloha je koncipována jako seznámení se s principy snímání mikroskopických obrazů a jejich

Více

Regresní a korelační analýza

Regresní a korelační analýza Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)

Více

6 NÁVRH A EXPERIMENTÁLNÍ OVĚŘENÍ ELEKTROMAGNETICKÉHO AKTUÁTORU. František MACH

6 NÁVRH A EXPERIMENTÁLNÍ OVĚŘENÍ ELEKTROMAGNETICKÉHO AKTUÁTORU. František MACH 1. Úvod do řešené problematiky 6 NÁVRH A EXPERIMENTÁLNÍ OVĚŘENÍ ELEKTROMAGNETICKÉHO AKTUÁTORU František MACH ZÁPADOČESKÁ UNIVERZITA V PLZNI Fakulta elektrotechnická Katedra teoretické elektrotechniky Aktuátor,

Více

VYHLÁŠKA o způsobu stanovení pokrytí signálem zemského rozhlasového vysílání šířeného ve vybraných kmitočtových pásmech Vymezení pojmů

VYHLÁŠKA o způsobu stanovení pokrytí signálem zemského rozhlasového vysílání šířeného ve vybraných kmitočtových pásmech Vymezení pojmů Strana 164 Sbírka zákonů č.22 / 2011 22 VYHLÁŠKA ze dne 27. ledna 2011 o způsobu stanovení pokrytí signálem zemského rozhlasového vysílání šířeného ve vybraných kmitočtových pásmech Český telekomunikační

Více

Implementace rozpoznávače řeči na bázi TANDEM architektury

Implementace rozpoznávače řeči na bázi TANDEM architektury bakalářská práce Implementace rozpoznávače řeči na bázi TANDEM architektury Aleš Brich květen 2014 Doc. Ing. Petr Pollák, CSc. České vysoké učení technické v Praze Fakulta elektrotechnická, Katedra kybernetiky

Více

Program pro zobrazení černobílých snímků v nepravých barvách

Program pro zobrazení černobílých snímků v nepravých barvách Rok / Year: Svazek / Volume: Číslo / Number: 2010 12 6 Program pro zobrazení černobílých snímků v nepravých barvách Pseudo-colour Paging of the Monochromatic Picture Libor Boleček xbolec01@stud.feec.vutbr.cz

Více

KS-26T Kamerový systém

KS-26T Kamerový systém Kamerový systém Historie verzí Verze 1.03 ks-26t_v_cz_103 AMiT, spol. s r. o. nepřejímá žádné záruky, pokud se týče obsahu této publikace a vyhrazuje si právo měnit obsah dokumentace bez závazku tyto změny

Více

6. T e s t o v á n í h y p o t é z

6. T e s t o v á n í h y p o t é z 6. T e s t o v á n í h y p o t é z Na základě hodnot z realizace náhodného výběru činíme rozhodnutí o platnosti hypotézy o hodnotách parametrů rozdělení nebo o jeho vlastnostech. Používáme k tomu vhodně

Více

Asistivní technologie

Asistivní technologie Asistivní technologie Přehled výzkumu na českých vysokých školách Autoři: Lenka Lhotská, Olga Štěpánková, Daniel Novák České vysoké učení technické v Praze Listopad 2013 Úvod Výzkumnými tématy, které mají

Více

Matematická statistika

Matematická statistika Matematická statistika Daniel Husek Gymnázium Rožnov pod Radhoštěm, 8. A8 Dne 12. 12. 2010 v Rožnově pod Radhoštěm Osnova Strana 1) Úvod 3 2) Historie matematické statistiky 4 3) Základní pojmy matematické

Více

D E T E K C E P O H Y B U V E V I D E U A J E J I C H I D E N T I F I K A C E

D E T E K C E P O H Y B U V E V I D E U A J E J I C H I D E N T I F I K A C E D E T E K C E P O H Y B U V E V I D E U A J E J I C H I D E N T I F I K A C E CÍLE LABORATORNÍ ÚLOHY 1. Seznámení se s metodami detekce pohybu z videa. 2. Vyzkoušení si detekce pohybu v obraze kamery ÚKOL

Více

2 MECHANICKÉ VLASTNOSTI SKLA

2 MECHANICKÉ VLASTNOSTI SKLA 2 MECHANICKÉ VLASTNOSTI SKLA Pevnost skla reprezentující jeho mechanické vlastnosti nejčastěji bývá hlavním parametrem jeho využití. Nevýhodou skel je jejich poměrně nízká pevnost v tahu a rázu (pevnost

Více

Měření povrchového napětí kapaliny metodou maximální kapky

Měření povrchového napětí kapaliny metodou maximální kapky Měření povrchového napětí kapaliny metodou maximální kapky Online: http://www.sclpx.eu/lab2r.php?exp=3 Tento experiment byl publikován autorem práce v [33] a jedná se o zcela původní metodu pro experimentální

Více

Laserový skenovací systém LORS vývoj a testování přesnosti

Laserový skenovací systém LORS vývoj a testování přesnosti Laserový skenovací systém LORS vývoj a testování přesnosti Ing. Bronislav Koska Ing. Martin Štroner, Ph.D. Doc. Ing. Jiří Pospíšil, CSc. ČVUT Fakulta stavební Praha Článek popisuje laserový skenovací systém

Více

DIGITÁLNÍ KOMUNIKACE S OPTICKÝMI VLÁKNY. Digitální signál bude rekonstruován přijímačem a přiváděn do audio zesilovače.

DIGITÁLNÍ KOMUNIKACE S OPTICKÝMI VLÁKNY. Digitální signál bude rekonstruován přijímačem a přiváděn do audio zesilovače. DIGITÁLNÍ KOMUNIKACE S OPTICKÝMI VLÁKNY 104-4R Pomocí stavebnice Optel sestavte optický systém, který umožní přenos zvuku. Systém bude vysílat audio informaci prostřednictvím optického kabelu jako sekvenci

Více

EVA VOLNÁ MARTIN KOTYRBA MICHAL JANOŠEK VÁCLAV KOCIAN

EVA VOLNÁ MARTIN KOTYRBA MICHAL JANOŠEK VÁCLAV KOCIAN Doc. RNDr. PaedDr. Eva Volná, PhD. RNDr. Martin Kotyrba, Ph.D. RNDr. Michal Janošek, Ph.D. Mgr. Václav Kocian UMÌLÁ INTELIGENCE Rozpoznávání vzorù v dynamických datech Praha 2014 Anotace: Cílem knihy je

Více

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1.

1. Alternativní rozdělení A(p) (Bernoulli) je diskrétní rozdělení, kdy. p(0) = P (X = 0) = 1 p, p(1) = P (X = 1) = p, 0 < p < 1. 2. Některá důležitá rozdělení Diskrétní rozdělení. Alternativní rozdělení Ap) Bernoulli) je diskrétní rozdělení, kdy náhodná veličina X nabývá pouze dvou hodnot a a pro její pravděpodobnostní funkci platí:

Více

STUDIUM HLADINOVÉHO ELEKTROSTATICKÉHO

STUDIUM HLADINOVÉHO ELEKTROSTATICKÉHO STUDIUM HLADINOVÉHO ELEKTROSTATICKÉHO ZVLÁKŇOVÁNÍ J. Kula, M. Tunák, D. Lukáš, A. Linka Technická Univerzita v Liberci Abstrakt V posledních letech se uplatňuje výroba netkaných, nanovlákenných vrstev,

Více

Sledování změn obsahu volného aktivního chloru při dopravě pitné vody

Sledování změn obsahu volného aktivního chloru při dopravě pitné vody Sledování změn obsahu volného aktivního chloru při dopravě pitné vody Ing. Kateřina Slavíčková, Prof. Ing. Alexander Grünald, Csc., Ing. Marek Slavíček Katedra zdravotního inženýrství, Fakulta stavební,

Více

Název: Měření rychlosti zvuku různými metodami

Název: Měření rychlosti zvuku různými metodami Název: Měření rychlosti zvuku různými metodami Autor: Doc. RNDr. Milan Rojko, CSc. Název školy: Gymnázium Jana Nerudy, škola hl. města Prahy Předmět, mezipředmětové vztahy: fyzika, biologie Ročník: 4.

Více

Příloha P.1 Mapa větrných oblastí

Příloha P.1 Mapa větrných oblastí Příloha P.1 Mapa větrných oblastí P.1.1 Úvod Podle metodiky Eurokódů se velikost zatížení větrem odvozuje z výchozí hodnoty základní rychlosti větru, definované jako střední rychlost větru v intervalu

Více

Vodoznačení video obsahu

Vodoznačení video obsahu Vodoznačení video obsahu Bc. Jiří Hošek Email: hosek.j@seznam.cz Ústav Telekomunikací, FEKT, VUT v Brně Tento článek je zaměřen na problematiku vodoznačení a zejména pak na techniky vkládání vodoznaku

Více

PŘEDNÁŠKA KURZU MPOV

PŘEDNÁŠKA KURZU MPOV 1 PŘEDNÁŠKA KURZU MPOV Strojové rozpoznávání kódů a znaků P. Petyovský (email: petyovsky@feec.vutbr.cz) kancelář SD3.152, Technická 12 2 rev. 2015.3 Pojmy a opakování Strojové čtení Braillova písma Popis

Více

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9

v Praze mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 České vysoké učení technické v Praze Algoritmy pro měření zpoždění mezi kanály EEG Ondřej Drbal 5. ročník, stud. sk. 9 31. března 23 Obsah 1 Zadání 1 2 Uvedení do problematiky měření zpoždění signálů 1

Více

Pořízení licencí statistického SW

Pořízení licencí statistického SW Pořízení licencí statistického SW Zadavatel: Česká školní inspekce, Fráni Šrámka 37, 150 21 Praha 5 IČO: 00638994 Jednající: Mgr. Tomáš Zatloukal Předpokládaná (a maximální cena): 1.200.000 vč. DPH Typ

Více

Západočeská univerzita v Plzni. Fakulta aplikovaných věd Katedra matematiky. Geometrie pro FST 1. Pomocný učební text

Západočeská univerzita v Plzni. Fakulta aplikovaných věd Katedra matematiky. Geometrie pro FST 1. Pomocný učební text Západočeská univerzita v Plzni Fakulta aplikovaných věd Katedra matematiky Geometrie pro FST 1 Pomocný učební text František Ježek, Marta Míková, Světlana Tomiczková Plzeň 29. srpna 2005 verze 1.0 Předmluva

Více

Matematika I: Aplikované úlohy

Matematika I: Aplikované úlohy Matematika I: Aplikované úlohy Zuzana Morávková Katedra matematiky a deskriptivní geometrie VŠB - Technická univerzita Ostrava 260. Řy 283 - Pálkař Zadání Pálkař odpálí míč pod úhlem α = 30 a rychlostí

Více

GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 6

GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 6 UNIVERZITA TOMÁŠE BATI VE ZLÍNĚ FAKULTA APLIKOVANÉ INFORMATIKY GEOGRAFICKÉ INFORMAČNÍ SYSTÉMY 6 Lubomír Vašek Zlín 2013 Obsah... 3 1. Základní pojmy... 3 2. Princip rastrové reprezentace... 3 2.1 Užívané

Více

Digitalizace signálu (obraz, zvuk)

Digitalizace signálu (obraz, zvuk) Digitalizace signálu (obraz, zvuk) Základem pro digitalizaci obrazu je převod světla na elektrické veličiny. K převodu světla na elektrické veličiny slouží např. čip CCD. Zkratka CCD znamená Charged Coupled

Více

ÚVOD DO PROBLEMATIKY PIV

ÚVOD DO PROBLEMATIKY PIV ÚVOD DO PROBLEMATIKY PIV Jiří Nožička, Jan Novotný ČVUT v Praze, Fakulta strojní, Ú 207.1, Technická 4, 166 07, Praha 6, ČR 1. Základní princip PIV Particle image velocity PIV je měřící technologie, která

Více

IMPLEMENTACE AUTOMATIZOVANÉHO MĚŘENÍ HRTF V MATLABU

IMPLEMENTACE AUTOMATIZOVANÉHO MĚŘENÍ HRTF V MATLABU IMPLEMENTACE AUTOMATIZOVANÉHO MĚŘENÍ HRTF V MATLABU O. Šupka, F. Rund, J. Bouše Katedra radioelektroniky, fakulta elektrotechnická České vysoké učení technické v Praze, Česká republika Abstrakt Tento příspěvek

Více

Creation of Lexicons and Language Models for Automatic Broadcast News Transcription

Creation of Lexicons and Language Models for Automatic Broadcast News Transcription Creation of Lexicons and Language Models for Automatic Broadcast News Transcription Tvorba slovníků a jazykových modelů pro automatický přepis zpravodajských pořadů Autoreferát disertační práce Autor:

Více

Pro úlohy digitálního zpracování obrazu je příznačný velký objem dat. Doposud ani rychlé počítače s konvenční sériovou architekturou nejsou schopny

Pro úlohy digitálního zpracování obrazu je příznačný velký objem dat. Doposud ani rychlé počítače s konvenční sériovou architekturou nejsou schopny Obrazová matice Pro úlohy digitálního zpracování obrazu je příznačný velký objem dat. Doposud ani rychlé počítače s konvenční sériovou architekturou nejsou schopny vykonat instrukce v čase, který odpovídá

Více

Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu

Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu 4. 12. 213 MI-PAA úkol č. 4 Antonín Daněk Seznámení se se zvolenou pokročilou iterativní metodou na problému batohu 1 SPECIFIKACE ÚLOHY Cílem tohoto úkolu bylo seznámit se s vybranou pokročilou iterativní

Více

PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION

PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION PREDIKCE DÉLKY KOLONY V KŘIŽOVATCE PREDICTION OF THE LENGTH OF THE COLUMN IN THE INTERSECTION Lucie Váňová 1 Anotace: Článek pojednává o předpovídání délky kolony v křižovatce. Tato úloha je řešena v programu

Více

VYUŽITÍ OBRAZOVÉ ANALÝZY PRO ODHAD DOSTAVY TKANINY

VYUŽITÍ OBRAZOVÉ ANALÝZY PRO ODHAD DOSTAVY TKANINY TECHNICKÁ UNIVERZITA V LIBERCI FAKULTA TEXTILNÍ Katedra hodnocení textilií Obor: Management jakosti VYUŽITÍ OBRAZOVÉ ANALÝZY PRO ODHAD DOSTAVY TKANINY WEAVING DENSITY EVALUATION WITH THE AID OF IMAGE ANALYSIS

Více

Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného)

Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) Vyhodnocení 2D rychlostního pole metodou PIV programem Matlab (zpracoval Jan Kolínský, dle programu ing. Jana Novotného) 1 Obecný popis metody Particle Image Velocimetry, nebo-li zkráceně PIV, je měřící

Více

R-5602 DYNBAL_V1 - SOFTWARE PRO VYHODNOCENÍ DYNAMICKÉ NEVÝVAHY V JEDNÉ ROVINĚ ING. JAN CAGÁŇ ING. JINDŘICH ROSA

R-5602 DYNBAL_V1 - SOFTWARE PRO VYHODNOCENÍ DYNAMICKÉ NEVÝVAHY V JEDNÉ ROVINĚ ING. JAN CAGÁŇ ING. JINDŘICH ROSA DYNBAL_V1 - SOFTWARE PRO VYHODNOCENÍ DYNAMICKÉ NEVÝVAHY V JEDNÉ ROVINĚ ING. JAN CAGÁŇ ING. JINDŘICH ROSA VÝZKUMNÝ A ZKUŠEBNÍ LETECKÝ ÚSTAV, a. s. BERANOVÝCH 130, 199 05 PRAHA-LETŇANY 2013 OBSAH 1 Úvod...

Více

Pro bodový odhad při základním krigování by soustava rovnic v maticovém tvaru vypadala následovně:

Pro bodový odhad při základním krigování by soustava rovnic v maticovém tvaru vypadala následovně: KRIGING Krigování (kriging) označujeme interpolační metody, které využívají geostacionární metody odhadu. Těchto metod je celá řada, zde jsou některé příklady. Pro krigování se používá tzv. Lokální odhad.

Více

Rozhodování. s více účastníky. Miroslav. school@utia

Rozhodování. s více účastníky. Miroslav. school@utia Rozhodování s více účastníky Miroslav Kárný school@utia utia.cas.cz, http://www.utia utia.cas.cz/as Rozhodování Účastník znalosti neúpln plné cíle násobné omezení rozsahů složitostn itostní strategie akce

Více

DETERMINATION OF MECHANICAL AND ELASTO-PLASTIC PROPERTIES OF MATERIALS BY NANOINDENTATION METHODS

DETERMINATION OF MECHANICAL AND ELASTO-PLASTIC PROPERTIES OF MATERIALS BY NANOINDENTATION METHODS DETERMINATION OF MECHANICAL AND ELASTO-PLASTIC PROPERTIES OF MATERIALS BY NANOINDENTATION METHODS HODNOCENÍ MECHANICKÝCH A ELASTO-PLASTICKÝCH VLASTNOSTÍ MATERIÁLŮ VYUŽITÍM NANOINDENTACE Martin Vizina a

Více

KLASIFIKÁTOR IZOLOVANÝCH SLOV NA BÁZI UMĚLÉ NEURONOVÉ SÍTĚ

KLASIFIKÁTOR IZOLOVANÝCH SLOV NA BÁZI UMĚLÉ NEURONOVÉ SÍTĚ KLASIFIKÁTOR IZOLOVANÝCH SLOV NA BÁZI UMĚLÉ NEURONOVÉ SÍTĚ David Juráček PČR MŘ Brno Abstrakt V příspěvku je demonstrováno využití umělé neuronové sítě pro klasifikaci izolovaných slov od vybrané skupiny

Více

VYUŽITÍ KNIHOVNY SWING PROGRAMOVACÍHO JAZYKU JAVA PŘI TVORBĚ UŽIVATELSKÉHO ROZHRANÍ SYSTÉMU "HOST PC - TARGET PC" PRO ŘÍZENÍ POLOVODIČOVÝCH MĚNIČŮ

VYUŽITÍ KNIHOVNY SWING PROGRAMOVACÍHO JAZYKU JAVA PŘI TVORBĚ UŽIVATELSKÉHO ROZHRANÍ SYSTÉMU HOST PC - TARGET PC PRO ŘÍZENÍ POLOVODIČOVÝCH MĚNIČŮ VYUŽITÍ KNIHOVNY SWING PROGRAMOVACÍHO JAZYKU JAVA PŘI TVORBĚ UŽIVATELSKÉHO ROZHRANÍ SYSTÉMU "HOST PC - TARGET PC" PRO ŘÍZENÍ POLOVODIČOVÝCH MĚNIČŮ Stanislav Flígl Katedra elektrických pohonů a trakce (K13114),

Více

Analýza oscilogramů pro silnoproudé aplikace

Analýza oscilogramů pro silnoproudé aplikace Středoškolská technika 212 Setkání a prezentace prací středoškolských studentů na ČVUT Analýza oscilogramů pro silnoproudé aplikace Jakub Fojtík, Marek Červinka, Jan Chaloupka Vyšší odborná škola a Střední

Více

Inovace Dlouhodobého záměru EPI, s.r.o. 2012

Inovace Dlouhodobého záměru EPI, s.r.o. 2012 J:\EPI\epi_2012_2013\a35_vyzkum_DZ_publikace\dlouhodoby_zamer\inovace_dz_2012.doc - 1 - Inovace Dlouhodobého záměru EPI, s.r.o. 2012 Cíle stanovené akademické obci EPI, s.r.o. k plnění požadavků MŠMT ČR

Více

VYBRANÉ MOŽNOSTI SNIŽOVÁNÍ EMISÍ SO2 U STÁVAJÍCÍCH UHELNÝCH ZDROJŮ

VYBRANÉ MOŽNOSTI SNIŽOVÁNÍ EMISÍ SO2 U STÁVAJÍCÍCH UHELNÝCH ZDROJŮ VYBRANÉ MOŽNOSTI SNIŽOVÁNÍ EMISÍ SO2 U STÁVAJÍCÍCH UHELNÝCH ZDROJŮ Oldřich Mánek, Pavel Slezák, Petr Julínek Příspěvek shrnuje vybrané možnosti snižování emisí oxidu siřičitého SO 2 u stávajících zdrojů

Více

Bezkontaktní měření vzdálenosti optickými sondami MICRO-EPSILON

Bezkontaktní měření vzdálenosti optickými sondami MICRO-EPSILON Laboratoř kardiovaskulární biomechaniky Ústav mechaniky, biomechaniky a mechatroniky Fakulta strojní, ČVUT v Praze Bezkontaktní měření vzdálenosti optickými sondami MICRO-EPSILON 1 Měření: 8. 4. 2008 Trubička:

Více

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2

Semestrální projekt. do předmětu Statistika. Vypracoval: Adam Mlejnek 2-36. Oponenti: Patrik Novotný 2-36. Jakub Nováček 2-36. Click here to buy 2 Semestrální projekt do předmětu Statistika Vypracoval: Adam Mlejnek 2-36 Oponenti: Patrik Novotný 2-36 Jakub Nováček 2-36 Úvod Pro vypracování projektu do předmětu statistika jsem si zvolil průzkum kvality

Více

Mendelova zemědělská a lesnická univerzita v Brně

Mendelova zemědělská a lesnická univerzita v Brně Mendelova zemědělská a lesnická univerzita v Brně Bobtnání dřeva Fyzikální vlastnosti dřeva Protokol č.3 Vypracoval: Pavel Lauko Datum cvičení: 24.9.2002 Obor: DI Datum vyprac.: 10.12.02 Ročník: 2. Skupina:

Více

evodníky Univerzita Tomáše Bati ve Zlíně Ústav elektrotechniky a měření Přednáška č. 14 Milan Adámek adamek@fai.utb.cz U5 A711 +420576035251

evodníky Univerzita Tomáše Bati ve Zlíně Ústav elektrotechniky a měření Přednáška č. 14 Milan Adámek adamek@fai.utb.cz U5 A711 +420576035251 Univerzita Tomáše Bati ve Zlíně Ústav elektrotechniky a měření A/D a D/A převodnp evodníky Přednáška č. 14 Milan Adámek adamek@fai.utb.cz U5 A711 +420576035251 A/D a D/A převodníky 1 Důvody převodu signálů

Více

DYNAMICKÁ ANALÝZA A OPTIMALIZACE

DYNAMICKÁ ANALÝZA A OPTIMALIZACE Závěrečná výzkumná zpráva z řešení projektu FRVŠ 2282/2003/G1 DYNAMICKÁ ANALÝZA A OPTIMALIZACE PŘEVODOVÝCH ÚSTROJÍ Michal HAJŽMAN Miroslav BYRTUS Vladimír ZEMAN Katedra mechaniky, Univerzitní 22, 30614,

Více

Tlumené kmitání tělesa zavěšeného na pružině

Tlumené kmitání tělesa zavěšeného na pružině Tlumené kmitání tělesa zavěšeného na pružině Kmitavé pohyby jsou důležité pro celou fyziku a její aplikace, protože umožňují relativně jednoduše modelovat řadu fyzikálních dějů a jevů. V praxi ale na pohybující

Více

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem)

MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY. Učební osnova předmětu MATEMATIKA. pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem) MINISTERSTVO ŠKOLSTVÍ, MLÁDEŽE A TĚLOVÝCHOVY Učební osnova předmětu MATEMATIKA pro studijní obory SOŠ a SOU (13 15 hodin týdně celkem) Schválilo Ministerstvo školství, mládeže a tělovýchovy dne 14.června

Více

INFORMACE NRL č. 12/2002 Magnetická pole v okolí vodičů protékaných elektrickým proudem s frekvencí 50 Hz. I. Úvod

INFORMACE NRL č. 12/2002 Magnetická pole v okolí vodičů protékaných elektrickým proudem s frekvencí 50 Hz. I. Úvod INFORMACE NRL č. 12/2 Magnetická pole v okolí vodičů protékaných elektrickým proudem s frekvencí Hz I. Úvod V poslední době se stále častěji setkáváme s dotazy na vliv elektromagnetického pole v okolí

Více

Kalibrace a limity její přesnosti

Kalibrace a limity její přesnosti Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium chemometrie Statistické zpracování dat Kalibrace a limity její přesnosti Zdravotní ústav se sídlem v Ostravě

Více

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291

vzorek1 0.0033390 0.0047277 0.0062653 0.0077811 0.0090141... vzorek 30 0.0056775 0.0058778 0.0066916 0.0076192 0.0087291 Vzorová úloha 4.16 Postup vícerozměrné kalibrace Postup vícerozměrné kalibrace ukážeme na úloze C4.10 Vícerozměrný kalibrační model kvality bezolovnatého benzinu. Dle následujících kroků na základě naměřených

Více

Uživatelský manuál na obsluhu mobilní aplikace CMOB

Uživatelský manuál na obsluhu mobilní aplikace CMOB Uživatelský manuál na obsluhu mobilní aplikace CMOB 1 Obsah 1. Popis aplikace... 3 2. Instalace aplikace na zařízení... 3 3. První spuštění aplikace... 3 4. Úvodní obrazovka aplikace... 3 5. Sekce kamer...

Více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více

V praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více 9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme

Více

FSI analýza brzdového kotouče tramvaje

FSI analýza brzdového kotouče tramvaje Konference ANSYS 2011 FSI analýza brzdového kotouče tramvaje Michal Moštěk TechSoft Engineering, s.r.o. Abstrakt: Tento příspěvek vznikl ze vzorového příkladu pro tepelný výpočet brzdových kotoučů tramvaje,

Více

Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou

Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou Řešení problému vážené splnitelnosti booleovské formule pokročilou iterativní metodou 1 SPECIFIKACE ÚLOHY Cílem této úlohy bylo použít vybranou pokročilou iterativní metodou pro řešení problému vážené

Více

ZÁVAZNÉ POKYNY PRO VYPRACOVÁNÍ BAKALÁŘSKÉ, DIPLOMOVÉ A DISERTAČNÍ PRÁCE

ZÁVAZNÉ POKYNY PRO VYPRACOVÁNÍ BAKALÁŘSKÉ, DIPLOMOVÉ A DISERTAČNÍ PRÁCE ZÁVAZNÉ POKYNY PRO VYPRACOVÁNÍ BAKALÁŘSKÉ, DIPLOMOVÉ A DISERTAČNÍ PRÁCE Bakalářskou/diplomovou prací se ověřují vědomosti a dovednosti, které student získal během studia a jeho schopnosti využívat je při

Více

Aplikovaná numerická matematika

Aplikovaná numerická matematika Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních

Více

Rovinný průtokoměr. Diplomová práce Ústav mechaniky tekutin a termodynamiky, 2013. Jakub Filipský

Rovinný průtokoměr. Diplomová práce Ústav mechaniky tekutin a termodynamiky, 2013. Jakub Filipský Rovinný průtokoměr Diplomová práce Ústav mechaniky tekutin a termodynamiky, 2013 Autor: Vedoucí DP: Jakub Filipský Ing. Jan Čížek, Ph.D. Zadání práce 1. Proveďte rešerši aktuálně používaných způsobů a

Více

Hluková studie. aktualizovaná studie. Objednatel: Posuzovaný objekt: Ing. Aleš Jiráska. Poradenství v oboru technická akustika IČO: 656 82 203

Hluková studie. aktualizovaná studie. Objednatel: Posuzovaný objekt: Ing. Aleš Jiráska. Poradenství v oboru technická akustika IČO: 656 82 203 Ing. Aleš Jiráska Poradenství v oboru technická akustika IČO: 656 82 203 Hluková studie aktualizovaná studie Objednatel: EMPLA spol. s r.o. Za Škodovkou 305 503 11 Hradec Králové Posuzovaný objekt: Větrné

Více

SYNTÉZA AUDIO SIGNÁLŮ

SYNTÉZA AUDIO SIGNÁLŮ SYNTÉZA AUDIO SIGNÁLŮ R. Čmejla Fakulta elektrotechnická, ČVUT v Praze Abstrakt Příspěvek pojednává o technikách číslicové audio syntézy vyučovaných v předmětu Syntéza multimediálních signálů na Elektrotechnické

Více

Výpočtové modelování deformačně-napěťových stavů ve zdravých a patologických kyčelních kloubech

Výpočtové modelování deformačně-napěťových stavů ve zdravých a patologických kyčelních kloubech Výpočtové modelování deformačně-napěťových stavů ve zdravých a patologických kyčelních kloubech Michal Vaverka, Martin Vrbka, Zdeněk Florian Anotace: Předložený článek se zabývá výpočtovým modelováním

Více

NEJČASTĚJŠÍ CHYBY A PASTI PŘI VÝPOČTU ROZPTYLOVÝCH STUDIÍ z pohledu tvůrce rozptylových studií. Lenka Janatová

NEJČASTĚJŠÍ CHYBY A PASTI PŘI VÝPOČTU ROZPTYLOVÝCH STUDIÍ z pohledu tvůrce rozptylových studií. Lenka Janatová NEJČASTĚJŠÍ CHYBY A PASTI PŘI VÝPOČTU ROZPTYLOVÝCH STUDIÍ z pohledu tvůrce rozptylových studií Lenka Janatová Český hydrometeorologický ústav Ústí nad Labem Oddělení modelování a expertíz, OOČO Hradec

Více

Veřejná zakázka: Sonda na intenzitu zvuku

Veřejná zakázka: Sonda na intenzitu zvuku Zadavatel: Technická univerzita v Liberci 461 17 Liberec 1, Studentská 2 Telefon: 485 351 111 Fax: 485105 882 Veřejná zakázka: Sonda na intenzitu zvuku zadávaná v nadlimitním otevřeném řízení dle 21 odst.

Více

DODATEK Č. 14 K ORGANIZAČNÍMU ŘÁDU VŠTE

DODATEK Č. 14 K ORGANIZAČNÍMU ŘÁDU VŠTE DS č. 14 Vnitřní norma Vysoké školy technické a ekonomické v Českých Budějovicích DODATEK Č. 14 K ORGANIZAČNÍMU ŘÁDU VŠTE Datum vydání: 22. 1. 2013 Účinnost od: 12. 2. 2013 Účinnost do: odvolání Číslo

Více

Fyzikální praktikum 1

Fyzikální praktikum 1 Fyzikální praktikum 1 FJFI ČVUT v Praze Úloha: #9 Základní experimenty akustiky Jméno: Ondřej Finke Datum měření: 3.11.014 Kruh: FE Skupina: 4 Klasifikace: 1. Pracovní úkoly (a) V domácí přípravě spočítejte,

Více

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ Fakulta strojní, Ústav mechaniky, biomechaniky a mechatroniky Technická 4, 166 07 Praha 6 Akademický rok: 20011/2012

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ Fakulta strojní, Ústav mechaniky, biomechaniky a mechatroniky Technická 4, 166 07 Praha 6 Akademický rok: 20011/2012 ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ Fakulta strojní, Ústav mechaniky, biomechaniky a mechatroniky Technická 4, 166 07 Praha 6 Akademický rok: 20011/2012 Téma BAKALÁŘSKÉ PRÁCE MĚŘENÍ DEFORMACÍ A STAVU PORUŠENÍ

Více

Parametrické přístupy k filtraci ultrazvukových signálů

Parametrické přístupy k filtraci ultrazvukových signálů České vysoké učení technické v Praze Fakulta elektrotechnická Katedra měření Parametrické přístupy k filtraci ultrazvukových signálů Bakalářská práce Luboš Kocourek 2010 Studijní program: Elektrotechnika

Více

Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny

Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Prognóza poruchovosti vodovodních řadů pomocí aplikace Poissonova rozdělení náhodné veličiny Ing. Jana Šenkapoulová VODÁRENSKÁ AKCIOVÁ SPOLEČNOST, a.s. Brno, Soběšická 156, 638 1 Brno ÚVOD Každé rekonstrukci

Více

Fakulta aplikovaných věd. Katedra kybernetiky. Ping Pong. Martin Skála

Fakulta aplikovaných věd. Katedra kybernetiky. Ping Pong. Martin Skála Fakulta aplikovaných věd Katedra kybernetiky Ping Pong Semestrální práce z KKY/ZDO Martin Skála 22.6. 2011 1 Řešitelský tým: Martin Skála ma.ska@post.cz Zadání úlohy: Vytvořit hru ve stylu ping pongu.

Více

Přehled vhodných metod georeferencování starých map

Přehled vhodných metod georeferencování starých map Přehled vhodných metod georeferencování starých map ČVUT v Praze, katedra geomatiky 12. 3. 2015 Praha Georeferencování historická mapa vs. stará mapa georeferencování umístění obrazu mapy do referenčního

Více

Dokumentace funkčního vzorku Kotevní tyčový prvek liniové instalace BOTDA pro sledování povrchových deformací terénu

Dokumentace funkčního vzorku Kotevní tyčový prvek liniové instalace BOTDA pro sledování povrchových deformací terénu Dokumentace funkčního vzorku Kotevní tyčový prvek liniové instalace BOTDA pro sledování povrchových deformací terénu vyvinutého v rámci řešení projektu FR-TI3/609 Výzkum a vývoj detekce a kontrolního sledování

Více

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ MĚŘENÍ VODIVOSTI KAPALIN BAKALÁŘSKÁ PRÁCE

VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ MĚŘENÍ VODIVOSTI KAPALIN BAKALÁŘSKÁ PRÁCE VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV AUTOMATIZACE A MĚŘICÍ TECHNIKY FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION

Více

Zpráva o průběhu přijímacího řízení na vysokých školách pro akademický rok 2014 2015 na ČVUT v Praze Fakultě dopravní

Zpráva o průběhu přijímacího řízení na vysokých školách pro akademický rok 2014 2015 na ČVUT v Praze Fakultě dopravní Zpráva o průběhu přijímacího řízení na vysokých školách pro akademický rok 2014 2015 dle Vyhlášky MŠMT č. 343/2002 Sb. o průběhu přijímacího řízení na vysokých školách a její změně č. 276/2004 Sb. 1. Informace

Více

Ročníkový projekt. Návrh nočního zaměřovače pro odstřelovací pušky. Univerzita obrany. Katedra zbraňových systémů. Zpracoval: prap.

Ročníkový projekt. Návrh nočního zaměřovače pro odstřelovací pušky. Univerzita obrany. Katedra zbraňových systémů. Zpracoval: prap. Univerzita obrany Katedra zbraňových systémů Ročníkový projekt Návrh nočního zaměřovače pro odstřelovací pušky Zpracoval: prap. Pacas Vít Datum: 8.1.005 Učební skupina: 5-S-ZM-ŘPV 1. Zadání ročníkového

Více

Laboratorní zdroj - 6. část

Laboratorní zdroj - 6. část Laboratorní zdroj - 6. část Publikované: 20.05.2016, Kategória: Silové časti www.svetelektro.com V tomto článku popíšu způsob, jak dojít k rovnicím (regresní funkce), které budou přepočítávat milivolty

Více

1. Doc. RNDr. Pavel Burda, CSc. VS1025. 2. Ing. Robert Cimrman, Ph.D. VS1052 NTC Západočeská univerzita Univerzitní 8 306 14 Plzeň

1. Doc. RNDr. Pavel Burda, CSc. VS1025. 2. Ing. Robert Cimrman, Ph.D. VS1052 NTC Západočeská univerzita Univerzitní 8 306 14 Plzeň Seznam přihlášených účastníků SANM Srní - 2005 1. Doc. RNDr. Pavel Burda, CSc. VS1025 Fakulta strojní ČVUT Ústav technické matematiky Karlovo náměstí 13 121 35 Praha 2 - Nové město 2. Ing. Robert Cimrman,

Více

DOBA KONDENZACE VODNÍCH PAR V OBLASTI ZASKLÍVACÍ SPÁRY OTVOROVÝCH VÝPLNÍ

DOBA KONDENZACE VODNÍCH PAR V OBLASTI ZASKLÍVACÍ SPÁRY OTVOROVÝCH VÝPLNÍ DOBA KONDENZACE VODNÍCH PAR V OBLASTI ZASKLÍVACÍ SPÁRY OTVOROVÝCH VÝPLNÍ Ing. Roman Jirák, Ph.D., DECOEN v.o.s., roman.jirak@decoen.cz V posledních letech je vidět progresivní trend snižovaní spotřeby

Více

2. RBF neuronové sítě

2. RBF neuronové sítě 2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně

Více

Informace o využití účelové podpory na specifický vysokoškolský výzkum na Západočeské univerzitě v Plzni v roce 2011

Informace o využití účelové podpory na specifický vysokoškolský výzkum na Západočeské univerzitě v Plzni v roce 2011 Informace o využití účelové podpory na specifický vysokoškolský výzkum na Západočeské univerzitě v Plzni v roce 2011 V roce 2011 Západočeská univerzita obdržela účelovou podporu na specifický vysokoškolský

Více

Informace o projektu APSYS

Informace o projektu APSYS Informace o projektu APSYS Název projektu: Aplikovatelný systém dalšího vzdělávání ve VaV Poskytovatel podpory: Evropský sociální fond, přes MŠMT Operační program: Vzdělávání pro konkurenceschopnost Datum

Více

Aproximace a vyhlazování křivek

Aproximace a vyhlazování křivek Fakulta chemicko technologická Katedra analytické chemie licenční studium Management systému jakosti Autor: Přednášející: Prof. Ing. Jiří Militký, Csc 1. SLEDOVÁNÍ ZÁVISLOSTI HODNOTY SFM2 NA BARVIVOSTI

Více

ZÁKLADY ROBOTIKY Pohony a věci s tím související

ZÁKLADY ROBOTIKY Pohony a věci s tím související ZÁKLADY ROBOTIKY Pohony a věci s tím související Ing. Josef Černohorský, Ph.D. TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Tento materiál vznikl v rámci projektu

Více

Rozptyl. Pozn.: rozptyl je nezávislý na posunu hustoty pravděpodobnosti na ose x, protože Var(X) mi určuje jen šířku rozdělení.

Rozptyl. Pozn.: rozptyl je nezávislý na posunu hustoty pravděpodobnosti na ose x, protože Var(X) mi určuje jen šířku rozdělení. Rozptyl Základní vlastnosti disperze Var(konst) = 0 Var(X+Y) = Var(X) + Var(Y) (nezávislé proměnné) Lineární změna jednotek Y = rx + s, například z C na F. Jak vypočítám střední hodnotu a rozptyl? Pozn.:

Více

s.r.o. NOVÁKOVÝCH 6, PRAHA 8, 180 00 266310101, 266316273 www..pruzkum.cz e-mail: schreiber@pruzkum.cz PRAHA 7 HOLEŠOVICE

s.r.o. NOVÁKOVÝCH 6, PRAHA 8, 180 00 266310101, 266316273 www..pruzkum.cz e-mail: schreiber@pruzkum.cz PRAHA 7 HOLEŠOVICE s.r.o. NOVÁKOVÝCH 6, PRAHA 8, 180 00 266310101, 266316273 www..pruzkum.cz e-mail: schreiber@pruzkum.cz PRAHA 7 HOLEŠOVICE PŘÍSTAVBA KLINIKY SV. KLIMENTA INŽENÝRSKOGEOLOGICKÁ REŠERŠE Mgr. Martin Schreiber

Více

MATLAB V ANALÝZE NAMĚŘENÝCH DAT PRŮMYSLOVÉHO PODNIKU.

MATLAB V ANALÝZE NAMĚŘENÝCH DAT PRŮMYSLOVÉHO PODNIKU. MATLAB V ANALÝZE NAMĚŘENÝCH DAT PRŮMYSLOVÉHO PODNIKU. J. Šípal Fakulta výrobních technologií a managementu; Univerzita Jana Evangelisty Purkyně Abstrakt Příspěvek představuje model popisující dodávku tepelené

Více